企业官网建设流程全解析

1. 临床研究场景下的分类模型评估需求拆解

临床研究里做机器学习，十有八九绕不开分类任务。不管是预测患者是否患病（二分类），还是区分疾病的不同亚型、不同分期（多分类），模型跑出来之后总得回答一个问题：这个模型到底靠不靠谱。准确率这个指标在临床数据上特别容易骗人，因为样本往往是不平衡的——患病的人少，健康的人多，模型全猜“健康”也能拿到很高的准确率，但这种模型在临床上毫无价值。所以ROC曲线和AUC值就成了临床研究论文里几乎必报的评估指标。

ROC曲线说白了就是横轴画假阳性率、纵轴画真阳性率，通过不断移动分类阈值画出来的一条曲线。曲线越往左上角凸，说明模型在保证不漏诊的前提下误诊越少。AUC就是曲线下面积，0.5等于瞎猜，1.0等于完美分类。临床研究里通常认为AUC在0.7到0.8算可接受，0.8到0.9算良好，0.9以上算优秀。但这里有个坑，很多刚接触的同行直接用sklearn的roc_auc_score算一个数就完事了，画图的时候却不知道怎么处理多分类的情况，或者画出来的图没有置信区间、没有最佳截断点，审稿人一看就觉得不够专业。

这篇内容就是冲着这个痛点来的。我会把二分类和多分类ROC曲线的完整Python代码拆开讲清楚，包括数据准备、模型训练、概率输出、曲线绘制、AUC计算、置信区间估计、最佳截断点选取，以及多分类里macro-average、micro-average、weighted-average这几种平均策略到底该怎么选。适合正在做临床预测模型、准备投稿SCI论文、或者需要给科室汇报模型性能的同行参考。代码全部基于sklearn和matplotlib，不依赖任何需要额外配置的工具，复制到Jupyter里就能跑。

2. 二分类ROC曲线：从概率输出到曲线绘制

2.1 为什么不能直接用预测标签画ROC

很多人第一次画ROC曲线的时候，会拿模型预测出来的0/1标签直接去画，结果发现曲线就是一个直角折线，AUC要么是0.5要么是1.0，完全没法看。原因很简单，ROC曲线的本质是展示模型在不同阈值下的表现，而0/1标签已经把阈值固定死了（通常是0.5），信息量全丢了。正确的做法是拿模型输出的概率值，也就是predict_proba返回的正类概率，然后用这个连续值去画曲线。

在临床场景里这一点尤其重要。比如你用一个逻辑回归模型预测患者是否有某种疾病，模型输出某个患者的患病概率是0.73，另一个是0.68，虽然按0.5的阈值都判为患病，但这两个患者的风险程度是不一样的。ROC曲线就是通过遍历所有可能的阈值，来看模型在不同灵敏度下的特异度表现。所以第一步永远是拿到概率值，而不是标签。

from sklearn.datasets import make_classification from sklearn.model_selection import train_test_split from sklearn.linear_model import LogisticRegression from sklearn.metrics import roc_curve, roc_auc_score, auc import matplotlib.pyplot as plt import numpy as np # 模拟临床二分类数据：1000个样本，20个特征，正类占比30% X, y = make_classification(n_samples=1000, n_features=20, n_informative=10, n_classes=2, weights=[0.7, 0.3], random_state=42) X_train, X_test, y_train, y_test = train_test_split( X, y, test_size=0.3, stratify=y, random_state=42) model = LogisticRegression(max_iter=1000, random_state=42) model.fit(X_train, y_train) # 关键：拿正类的预测概率，不是预测标签 y_prob = model.predict_proba(X_test)[:, 1]

这里有个细节需要注意，predict_proba返回的列顺序跟模型的classes_属性有关。二分类通常第一列是负类概率，第二列是正类概率，但为了保险起见，最好用model.classes_确认一下正类的位置。我见过有人因为把负类概率当成正类概率去画ROC，结果AUC算出来是0.3，还以为是模型有问题，其实是列取反了。

2.2 计算ROC曲线坐标点和AUC值

拿到概率值之后，用roc_curve函数就能算出不同阈值下的假阳性率和真阳性率。这个函数返回三个数组：fpr、tpr和thresholds。thresholds就是它自动选取的一系列阈值，通常是从大到小排列。AUC值用roc_auc_score直接算，或者用auc(fpr, tpr)通过梯形积分算，两者结果基本一致，但roc_auc_score更直接。

fpr, tpr, thresholds = roc_curve(y_test, y_prob) auc_value = roc_auc_score(y_test, y_prob) print(f"AUC: {auc_value:.4f}")

这里要提醒一点，roc_curve默认的drop_intermediate=True会丢掉一些对曲线形状没有影响的阈值点，让曲线更平滑。如果你需要精确的阈值列表，可以把它设成False，但画图的时候通常没必要。另外，如果样本量特别大，比如上万条，画出来的曲线可能会有点抖，这时候可以考虑对概率值做一点平滑处理，但临床研究里一般不建议这么做，因为会引入额外的不确定性。

2.3 绘制带置信区间和最佳截断点的ROC曲线

光画一条曲线还不够，临床论文里通常还要标注AUC的95%置信区间和最佳截断点。置信区间可以用Bootstrap方法估计，虽然sklearn没有直接提供，但自己写个循环也不复杂。最佳截断点一般用约登指数（Youden index）来选，也就是tpr - fpr最大的那个点，对应的阈值就是最佳截断值。

# Bootstrap估计AUC的95%置信区间 n_bootstraps = 1000 rng = np.random.RandomState(42) bootstrapped_aucs = [] for i in range(n_bootstraps): indices = rng.randint(0, len(y_test), len(y_test)) if len(np.unique(y_test[indices])) < 2: continue boot_auc = roc_auc_score(y_test[indices], y_prob[indices]) bootstrapped_aucs.append(boot_auc) ci_lower = np.percentile(bootstrapped_aucs, 2.5) ci_upper = np.percentile(bootstrapped_aucs, 97.5) # 约登指数找最佳截断点 youden_index = tpr - fpr best_idx = np.argmax(youden_index) best_threshold = thresholds[best_idx] best_sensitivity = tpr[best_idx] best_specificity = 1 - fpr[best_idx] print(f"AUC: {auc_value:.4f} (95% CI: {ci_lower:.4f}-{ci_upper:.4f})") print(f"最佳截断值: {best_threshold:.4f}") print(f"灵敏度: {best_sensitivity:.4f}, 特异度: {best_specificity:.4f}")

画图的时候，我习惯把对角线（随机猜测线）也画上，方便对比。曲线用蓝色实线，AUC值放在图例里，最佳截断点用红色圆点标出来，旁边标注灵敏度和特异度。这样一张图就能把关键信息全展示出来，审稿人看着也舒服。

plt.figure(figsize=(8, 6)) plt.plot(fpr, tpr, color='#1f77b4', lw=2, label=f'ROC (AUC = {auc_value:.3f}, 95% CI: {ci_lower:.3f}-{ci_upper:.3f})') plt.plot([0, 1], [0, 1], color='gray', lw=1, linestyle='--', label='Random') plt.scatter(fpr[best_idx], tpr[best_idx], color='red', s=80, zorder=5, label=f'Best cutoff = {best_threshold:.3f}\nSens={best_sensitivity:.3f}, Spec={best_specificity:.3f}') plt.xlabel('False Positive Rate (1 - Specificity)', fontsize=12) plt.ylabel('True Positive Rate (Sensitivity)', fontsize=12) plt.title('ROC Curve for Binary Classification', fontsize=14) plt.legend(loc='lower right', fontsize=10) plt.grid(alpha=0.3) plt.tight_layout() plt.savefig('binary_roc.png', dpi=300) plt.show()

注意：Bootstrap次数建议至少1000次，临床研究里有些期刊要求2000次以上。如果样本量很小（比如少于100例），Bootstrap的置信区间可能会偏窄，这时候可以考虑用DeLong方法，但实现起来更复杂，sklearn没有内置，需要额外写代码。

3. 多分类ROC曲线：三种平均策略的取舍

3.1 多分类ROC的本质：一对多拆解

多分类的ROC曲线跟二分类不一样，因为ROC曲线本身是定义在二分类问题上的。处理多分类的标准做法是“一对多”（One-vs-Rest），也就是对每一个类别，把它当作正类，其余所有类别当作负类，分别画一条ROC曲线。比如你有三类疾病亚型A、B、C，那就画三条曲线：A vs (B+C)、B vs (A+C)、C vs (A+B)。每条曲线都有自己的AUC值，最后再算一个平均AUC作为整体性能指标。

sklearn的roc_curve函数支持多分类输入，但需要把标签做二值化处理。label_binarize就是干这个的。假设你的标签是0、1、2三个类别，label_binarize会把它转成一个n_samples × 3的矩阵，每一列对应一个类别的二值标签。

from sklearn.datasets import make_classification from sklearn.model_selection import train_test_split from sklearn.ensemble import RandomForestClassifier from sklearn.preprocessing import label_binarize from sklearn.metrics import roc_curve, auc from itertools import cycle # 模拟三分类临床数据 X_mc, y_mc = make_classification(n_samples=1500, n_features=25, n_informative=15, n_classes=3, n_clusters_per_class=1, weights=[0.5, 0.3, 0.2], random_state=42) X_train_mc, X_test_mc, y_train_mc, y_test_mc = train_test_split( X_mc, y_mc, test_size=0.3, stratify=y_mc, random_state=42) model_mc = RandomForestClassifier(n_estimators=200, random_state=42) model_mc.fit(X_train_mc, y_train_mc) # 拿到每个类别的预测概率 y_prob_mc = model_mc.predict_proba(X_test_mc) # 把标签二值化 classes = np.unique(y_mc) y_test_bin = label_binarize(y_test_mc, classes=classes) n_classes = y_test_bin.shape[1]

这里有个容易踩的坑：label_binarize返回的列顺序跟classes的顺序一致，而predict_proba返回的列顺序跟model.classes_一致。如果训练集和测试集的类别分布不一样，或者你手动指定了classes参数，一定要确认两者的顺序对得上。我一般会打印一下model.classes_和classes，确认它们完全一致再往下走。

3.2 Macro、Micro、Weighted三种平均策略怎么选

多分类的AUC平均策略有三种，每种背后的逻辑不一样，临床研究里选哪种取决于你的研究目的。

Macro-average：对每个类别的AUC直接求算术平均，不考虑类别样本量。比如三类AUC分别是0.90、0.80、0.70，macro-average就是0.80。这种策略适合你关心每个类别是否被公平对待的场景，哪怕小类样本很少，它的AUC也会被同等权重地计入。缺点是如果某个小类样本极少，AUC估计不稳定，会拉低整体指标。

Micro-average：把所有类别的预测结果汇总成一个大的二分类问题，再算AUC。具体做法是把n_samples × n_classes的概率矩阵展平，标签矩阵也展平，然后算一次ROC。这种策略受大类样本影响更大，因为大类样本多，在展平后的数据里占比高。适合你更关心整体分类性能、不特别在意小类表现的场景。

Weighted-average：对每个类别的AUC按该类别的样本量加权平均。比如A类占50%、B类占30%、C类占20%，weighted-average就是0.5×AUC_A + 0.3×AUC_B + 0.2×AUC_C。这种策略介于macro和micro之间，既考虑了类别不平衡，又保留了每个类别的独立AUC信息。临床研究里如果类别分布不均匀，weighted-average通常是最稳妥的选择。

fpr_dict = {} tpr_dict = {} roc_auc_dict = {} for i in range(n_classes): fpr_dict[i], tpr_dict[i], _ = roc_curve(y_test_bin[:, i], y_prob_mc[:, i]) roc_auc_dict[i] = auc(fpr_dict[i], tpr_dict[i]) # Macro-average all_fpr = np.unique(np.concatenate([fpr_dict[i] for i in range(n_classes)])) mean_tpr = np.zeros_like(all_fpr) for i in range(n_classes): mean_tpr += np.interp(all_fpr, fpr_dict[i], tpr_dict[i]) mean_tpr /= n_classes fpr_macro = all_fpr tpr_macro = mean_tpr auc_macro = auc(fpr_macro, tpr_macro) # Micro-average fpr_micro, tpr_micro, _ = roc_curve(y_test_bin.ravel(), y_prob_mc.ravel()) auc_micro = auc(fpr_micro, tpr_micro) # Weighted-average class_counts = np.sum(y_test_bin, axis=0) weights = class_counts / np.sum(class_counts) auc_weighted = np.sum([roc_auc_dict[i] * weights[i] for i in range(n_classes)]) print(f"Macro-average AUC: {auc_macro:.4f}") print(f"Micro-average AUC: {auc_micro:.4f}") print(f"Weighted-average AUC: {auc_weighted:.4f}")

提示：临床研究里如果三类样本量差不多，macro和weighted结果会很接近；如果样本量差异大，建议同时报告macro和weighted，让审稿人自己判断。micro-average在临床里用得相对少，因为它会把所有类别混在一起，丢失类别间的区分信息。

3.3 多分类ROC曲线的可视化技巧

多分类ROC曲线画图的时候，如果类别多，曲线会挤在一起，看起来乱。我一般用两种方式处理：一是用不同颜色和线型区分，二是在图例里把每个类别的AUC值标出来。如果类别超过5个，建议只画macro-average和micro-average两条曲线，或者把每个类别的曲线分小图展示。

plt.figure(figsize=(10, 8)) colors = cycle(['#1f77b4', '#ff7f0e', '#2ca02c', '#d62728', '#9467bd']) for i, color in zip(range(n_classes), colors): plt.plot(fpr_dict[i], tpr_dict[i], color=color, lw=2, label=f'Class {classes[i]} (AUC = {roc_auc_dict[i]:.3f})') plt.plot(fpr_macro, tpr_macro, color='navy', lw=2, linestyle=':', label=f'Macro-average (AUC = {auc_macro:.3f})') plt.plot(fpr_micro, tpr_micro, color='deeppink', lw=2, linestyle=':', label=f'Micro-average (AUC = {auc_micro:.3f})') plt.plot([0, 1], [0, 1], color='gray', lw=1, linestyle='--') plt.xlabel('False Positive Rate', fontsize=12) plt.ylabel('True Positive Rate', fontsize=12) plt.title('Multi-class ROC Curve', fontsize=14) plt.legend(loc='lower right', fontsize=10) plt.grid(alpha=0.3) plt.tight_layout() plt.savefig('multiclass_roc.png', dpi=300) plt.show()

画多分类ROC的时候，np.interp那一步很关键。因为每个类别的fpr数组长度可能不一样，不能直接相加，必须先把它们插值到同一个fpr网格上。我见过有人直接对tpr数组求平均，结果报错说维度不匹配，就是因为忽略了这一步。另外，插值的时候要用np.interp(all_fpr, fpr_dict[i], tpr_dict[i])，注意参数顺序是“目标x坐标、原始x坐标、原始y坐标”，别搞反了。

4. 实操中的常见问题与排查技巧

4.1 AUC算出来是0.5或者异常低怎么办

AUC等于0.5通常意味着模型没有学到任何有效信息，跟随机猜测没区别。遇到这种情况，先检查三件事：第一，标签有没有搞反，比如把正类概率取成了负类概率；第二，训练集和测试集的标签编码是否一致，比如训练集用的是0/1，测试集用的是1/2；第三，特征里有没有混入标签泄露的列，比如某个特征其实是标签的衍生变量。如果这三项都没问题，那可能是模型本身不适合这个数据，换一个模型或者重新做特征工程。

AUC异常低，比如0.3左右，大概率是概率列取反了。predict_proba返回的列顺序是跟model.classes_对应的，二分类里如果classes_是[0, 1]，那第二列是正类概率；如果classes_是[1, 0]，那第一列才是正类概率。最保险的做法是用model.classes_找到正类对应的索引，再取概率。

# 确认正类概率的列索引 pos_class_idx = np.where(model.classes_ == 1)[0][0] y_prob = model.predict_proba(X_test)[:, pos_class_idx]

4.2 多分类标签二值化后的维度对不上

label_binarize返回的矩阵列数等于classes参数的长度。如果你传入的classes跟实际标签的unique值不一致，就会出问题。比如实际标签是[0, 1, 2]，但你传了classes=[0, 1]，那类别2的样本会被全部标成0，导致AUC计算错误。正确的做法是用np.unique(y)自动获取所有类别，或者手动确认classes跟model.classes_完全一致。

另一个常见问题是y_test_bin和y_prob_mc的列顺序不一致。label_binarize按classes参数的顺序排列列，而predict_proba按model.classes_的顺序排列列。如果两者顺序不同，算出来的AUC会完全乱掉。我一般会在代码里加一行断言：

assert np.array_equal(classes, model_mc.classes_), "类别顺序不一致！"

4.3 样本不平衡时ROC曲线的局限性

ROC曲线对样本不平衡不敏感，这是它的优点也是缺点。优点是AUC不会因为正负样本比例变化而剧烈波动，缺点是它不能反映模型在特定阈值下的实际临床价值。比如一个模型AUC很高，但在你关心的灵敏度下特异度很低，临床上可能还是不能用。这时候建议补充画精确率-召回率曲线（PR曲线），PR曲线对不平衡更敏感，能更好地反映正类的识别质量。

另外，如果正类样本极少（比如少于50例），ROC曲线会变得很抖，AUC的置信区间也会很宽。这种情况下可以考虑做分层Bootstrap，或者用交叉验证的方式估计AUC的稳定性。临床研究里如果样本量小，建议报告交叉验证的AUC均值±标准差，而不是单次划分的AUC。

4.4 常见问题速查表

实操心得：临床研究里画ROC曲线，图上的信息量比代码本身更重要。我习惯在图上标注AUC、95%置信区间、最佳截断值、对应的灵敏度和特异度，这样一张图就能回答审稿人大部分问题。另外，图的配色尽量用色盲友好的方案，比如蓝色和橙色搭配，避免红绿搭配，因为有些审稿人可能是色盲。

5. 完整代码整合与临床报告建议

5.1 二分类完整代码模板

把前面的代码整合成一个可直接运行的脚本，方便复制到Jupyter里跑。我习惯把数据准备、模型训练、评估、画图分成四个函数，这样换数据的时候只需要改数据准备部分。

import numpy as np import matplotlib.pyplot as plt from sklearn.datasets import make_classification from sklearn.model_selection import train_test_split from sklearn.linear_model import LogisticRegression from sklearn.metrics import roc_curve, roc_auc_score, auc def prepare_data(): X, y = make_classification(n_samples=1000, n_features=20, n_informative=10, n_classes=2, weights=[0.7, 0.3], random_state=42) return train_test_split(X, y, test_size=0.3, stratify=y, random_state=42) def train_model(X_train, y_train): model = LogisticRegression(max_iter=1000, random_state=42) model.fit(X_train, y_train) return model def evaluate_binary(model, X_test, y_test): pos_idx = np.where(model.classes_ == 1)[0][0] y_prob = model.predict_proba(X_test)[:, pos_idx] fpr, tpr, thresholds = roc_curve(y_test, y_prob) auc_value = roc_auc_score(y_test, y_prob) n_bootstraps = 1000 rng = np.random.RandomState(42) boot_aucs = [] for _ in range(n_bootstraps): indices = rng.randint(0, len(y_test), len(y_test)) if len(np.unique(y_test[indices])) < 2: continue boot_aucs.append(roc_auc_score(y_test[indices], y_prob[indices])) ci_lower = np.percentile(boot_aucs, 2.5) ci_upper = np.percentile(boot_aucs, 97.5) youden = tpr - fpr best_idx = np.argmax(youden) return fpr, tpr, thresholds, auc_value, ci_lower, ci_upper, best_idx def plot_binary_roc(fpr, tpr, thresholds, auc_value, ci_lower, ci_upper, best_idx): plt.figure(figsize=(8, 6)) plt.plot(fpr, tpr, color='#1f77b4', lw=2, label=f'ROC (AUC = {auc_value:.3f}, 95% CI: {ci_lower:.3f}-{ci_upper:.3f})') plt.plot([0, 1], [0, 1], color='gray', lw=1, linestyle='--') plt.scatter(fpr[best_idx], tpr[best_idx], color='red', s=80, zorder=5, label=f'Cutoff = {thresholds[best_idx]:.3f}') plt.xlabel('False Positive Rate', fontsize=12) plt.ylabel('True Positive Rate', fontsize=12) plt.title('Binary Classification ROC', fontsize=14) plt.legend(loc='lower right') plt.grid(alpha=0.3) plt.tight_layout() plt.savefig('binary_roc.png', dpi=300) plt.show() X_train, X_test, y_train, y_test = prepare_data() model = train_model(X_train, y_train) fpr, tpr, thresholds, auc_value, ci_lower, ci_upper, best_idx = evaluate_binary(model, X_test, y_test) plot_binary_roc(fpr, tpr, thresholds, auc_value, ci_lower, ci_upper, best_idx)

5.2 多分类完整代码模板

多分类的代码稍微长一点，但结构跟二分类类似。关键是把label_binarize和三种平均策略的计算封装好。

from sklearn.ensemble import RandomForestClassifier from sklearn.preprocessing import label_binarize from itertools import cycle def prepare_multiclass_data(): X, y = make_classification(n_samples=1500, n_features=25, n_informative=15, n_classes=3, n_clusters_per_class=1, weights=[0.5, 0.3, 0.2], random_state=42) return train_test_split(X, y, test_size=0.3, stratify=y, random_state=42) def train_multiclass_model(X_train, y_train): model = RandomForestClassifier(n_estimators=200, random_state=42) model.fit(X_train, y_train) return model def evaluate_multiclass(model, X_test, y_test): classes = np.unique(y_test) assert np.array_equal(classes, model.classes_), "类别顺序不一致" y_test_bin = label_binarize(y_test, classes=classes) y_prob = model.predict_proba(X_test) n_classes = len(classes) fpr_dict, tpr_dict, auc_dict = {}, {}, {} for i in range(n_classes): fpr_dict[i], tpr_dict[i], _ = roc_curve(y_test_bin[:, i], y_prob[:, i]) auc_dict[i] = auc(fpr_dict[i], tpr_dict[i]) all_fpr = np.unique(np.concatenate([fpr_dict[i] for i in range(n_classes)])) mean_tpr = np.zeros_like(all_fpr) for i in range(n_classes): mean_tpr += np.interp(all_fpr, fpr_dict[i], tpr_dict[i]) mean_tpr /= n_classes auc_macro = auc(all_fpr, mean_tpr) fpr_micro, tpr_micro, _ = roc_curve(y_test_bin.ravel(), y_prob.ravel()) auc_micro = auc(fpr_micro, tpr_micro) counts = np.sum(y_test_bin, axis=0) weights = counts / counts.sum() auc_weighted = np.sum([auc_dict[i] * weights[i] for i in range(n_classes)]) return fpr_dict, tpr_dict, auc_dict, all_fpr, mean_tpr, auc_macro, fpr_micro, tpr_micro, auc_micro, auc_weighted, classes def plot_multiclass_roc(fpr_dict, tpr_dict, auc_dict, all_fpr, mean_tpr, auc_macro, fpr_micro, tpr_micro, auc_micro, classes): plt.figure(figsize=(10, 8)) colors = cycle(['#1f77b4', '#ff7f0e', '#2ca02c', '#d62728', '#9467bd']) for i, color in zip(range(len(classes)), colors): plt.plot(fpr_dict[i], tpr_dict[i], color=color, lw=2, label=f'Class {classes[i]} (AUC = {auc_dict[i]:.3f})') plt.plot(all_fpr, mean_tpr, color='navy', lw=2, linestyle=':', label=f'Macro-average (AUC = {auc_macro:.3f})') plt.plot(fpr_micro, tpr_micro, color='deeppink', lw=2, linestyle=':', label=f'Micro-average (AUC = {auc_micro:.3f})') plt.plot([0, 1], [0, 1], color='gray', lw=1, linestyle='--') plt.xlabel('False Positive Rate', fontsize=12) plt.ylabel('True Positive Rate', fontsize=12) plt.title('Multi-class ROC', fontsize=14) plt.legend(loc='lower right', fontsize=10) plt.grid(alpha=0.3) plt.tight_layout() plt.savefig('multiclass_roc.png', dpi=300) plt.show() X_train, X_test, y_train, y_test = prepare_multiclass_data() model = train_multiclass_model(X_train, y_train) results = evaluate_multiclass(model, X_test, y_test) plot_multiclass_roc(*results[:-1], results[-1])

5.3 临床论文报告ROC结果的建议

临床研究里报告ROC结果，光给一个AUC值是不够的。我一般会按以下格式报告：AUC值、95%置信区间、最佳截断值、该截断值下的灵敏度和特异度、以及约登指数。如果是多分类，还会报告macro-average和weighted-average两个指标。表格里可以这样列：

另外，图的标题和图例要写清楚，不要只写“ROC Curve”，要写“ROC Curve for [具体模型名称] in [具体临床场景]”。图的坐标轴标签用英文全称，不要用缩写，因为有些期刊要求图能独立于正文被理解。最后，原始数据和代码建议作为补充材料提交，现在很多期刊都鼓励这样做，能增加研究的可重复性。

最后分享一个小技巧：如果审稿人要求比较两个模型的ROC曲线，可以用DeLong检验，但sklearn没有内置。一个替代方案是画两条曲线在同一张图上，然后用Bootstrap估计AUC差值的置信区间，如果置信区间不包含0，说明两个模型的AUC有显著差异。这个方法虽然不如DeLong检验严谨，但在临床研究里被广泛接受，实现起来也简单。

我在实际项目里踩过最大的坑就是多分类的类别顺序问题，有一次跑了一个三分类模型，AUC算出来只有0.55，排查了半天才发现是label_binarize的classes参数跟model.classes_顺序不一致，导致概率列和标签列错位。从那以后我养成了一个习惯，只要涉及多分类，第一件事就是加断言检查类别顺序。这个习惯帮我省了很多调试时间，也建议你这么做。