我正在尝试执行离群值检测，并且我有15种不同的测试集和3种不同的模型（基于PCA的分类器，一个Class SVM和隔离林）。
对于基于PCA的分类，我编写了自己的代码来生成ROC曲线。我有2个列表pcafprs和pcatprs，每个列表都有15个子列表，每个子列表代表绘制ROC曲线所需的误报率和误报率。
对于一类SVM和隔离林，我可以从sklearn.metrics.roc_curve获取（fpr，tpr）。与PCA相似，对于一类SVM，我有ocsvmfprs和ocsvmtprs，对于隔离林，我有isoforestfprs和isoforesttprs。
对于每个测试集，我可以遍历FPR和TPR列表并绘制ROC曲线。代码可能类似于：
for i in range(len(pcafprs)):
plt.plot(pcafprs[i], pcatprs[i]) #Plot the ROC curve
plt.show()
对于这3个模型中的每一个，我希望能够在一张图中绘制15个测试集的所有15条ROC曲线的平均值。我不能简单地对包含TPR和FPR的数组执行np.mean，因为sklearn.metrics.roc_curve返回的FPR对于每个测试集都是不同的点。
对于PCA，我尝试使用np.mean(pcatprs, axis=0)和np.mean(pcafprs, axis=0)对所有TPR和FPR求平均值，以便绘制一个表示所有测试集平均值的图形。之所以有效，是因为对于PCA，我为每个测试集生成了相同数量的FPR和TPR。
但是，我无法控制否。 sklearn.metrics.roc_curve为每个测试集返回的FPR和TPR的总和，事实证明，它为每个测试集返回不同数量的值。因此，我无法使用np.mean来找到平均ROC曲线。
tl，dr ：是否有一种方法可以在图形上绘制多条线的平均值，而无需方程式，而只有一些点位于线上，我们有一个每行可用的点数不同？
答案 0 :(得分：0)
通过选择一组固定的FPR来解决，然后对no.interp返回的每对（fpr，tpr）使用sklearn.metrics.roc_curve以获得相应的TPR，然后使用{{1}对所有ROC取平均值}