调用roc_curve绘制ROC曲线报multiclass format is not supported错误

scikit-learn库内置的roc_curve函数仅原生支持二分类任务的ROC指标计算，出现multiclass format is not supported报错的核心原因是入参不符合二分类要求：要么传入的y_test是多分类标签格式，要么传入的out_pred_prob是多分类模型输出的形状为(样本数, 类别数)的二维概率矩阵，函数无法直接处理多分类输入。

根据实际任务类型选择对应修复方式：

• 任务为二分类，入参格式传错
  二分类场景下roc_curve要求传入的预测值是一维的正类概率数组，形状为(样本数,)，不能传入同时包含正负两类概率的二维数组。如果out_pred_prob是模型输出的两列概率矩阵，取索引为1的列（对应正类的预测概率）传入即可：

  # 仅修改roc_curve入参，取正类（类别索引为1）的预测概率
  fpr, tpr, thresholds = roc_curve(y_test, out_pred_prob[:, 1])
  # 后续绘图逻辑保持原有写法不变
  plt.plot(fpr, tpr, label='ROC curve')
  plt.plot([0, 1], [0, 1], 'k--', label='Random guess')
  _ = plt.xlabel('False Positive Rate')
  _ = plt.ylabel('True Positive Rate')
  _ = plt.title('ROC Curve')
  _ = plt.xlim([-0.02, 1])
  _ = plt.ylim([0, 1.02])
  _ = plt.legend(loc="lower right")
  

• 任务为多分类，需适配多分类ROC计算逻辑
  多分类场景无法直接调用原生roc_curve，需要先将多分类标签做二值化转换，再通过一对多（One-vs-Rest）的逻辑分别计算每个类别的ROC指标，也可以计算宏/微平均的聚合ROC曲线。参考实现代码：

  from sklearn.preprocessing import label_binarize
  from sklearn.metrics import roc_curve, auc
  import numpy as np
  
  # 按实际类别数量修改n_classes取值
  n_classes = 3
  # 对测试集多分类标签做二值化处理
  y_test_bin = label_binarize(y_test, classes=[*range(n_classes)])
  
  fpr = dict()
  tpr = dict()
  roc_auc = dict()
  # 逐类别计算ROC指标
  for i in range(n_classes):
      fpr[i], tpr[i], _ = roc_curve(y_test_bin[:, i], out_pred_prob[:, i])
      roc_auc[i] = auc(fpr[i], tpr[i])
  
  # 计算微平均聚合ROC
  fpr["micro"], tpr["micro"], _ = roc_curve(y_test_bin.ravel(), out_pred_prob.ravel())
  roc_auc["micro"] = auc(fpr["micro"], tpr["micro"])
  
  # 绘图
  plt.figure()
  # 逐类绘制ROC曲线
  for i in range(n_classes):
      plt.plot(fpr[i], tpr[i], label=f'ROC curve of class {i} (area = {roc_auc[i]:0.2f})')
  # 绘制聚合ROC与基准线
  plt.plot(fpr["micro"], tpr["micro"], label=f'Micro-average ROC (area = {roc_auc["micro"]:0.2f})', linestyle='--')
  plt.plot([0, 1], [0, 1], 'k--', label='Random guess')
  _ = plt.xlabel('False Positive Rate')
  _ = plt.ylabel('True Positive Rate')
  _ = plt.title('Multi-class ROC Curve')
  _ = plt.xlim([-0.02, 1])
  _ = plt.ylim([0, 1.02])
  _ = plt.legend(loc="lower right")
  plt.show()
  

  如果只需要单条聚合ROC曲线，直接使用微平均的fpr、tpr结果绘制即可，不需要逐类输出曲线。

内容的提问来源于stack exchange，提问作者user19452773