簡單的實驗，主要是使用sklearn庫中的RFR模型來進行迴歸分析並繪製相應的ROC曲線，主要是熟悉流程，下面是具體的實現：

#!usr/bin/env python
#encoding:utf-8
'''
__Author__:沂水寒城
功能：使用RFR模型
'''

import csv
from sklearn.metrics import roc_curve, auc
from sklearn.ensemble import RandomForestRegressor
import matplotlib.pyplot as plt 



def RFR_model_train(X_list, y_list):
    '''
    隨機森林迴歸模型
    '''
    model=RandomForestRegressor(max_depth=10, random_state=0)
    model.fit(X_list, y_list)
    y_predict=model.predict(X_list)
    draw_ROC_curve(y_list,y_predict,savepath='RFR.png')
    feature_weight=model.feature_importances_
    print 'feature_weight'
    print feature_weight
    return feature_weight


def draw_ROC_curve(y_test,y_predict,savepath):
    '''
    畫ROC曲線
    '''
    false_positive_rate,true_positive_rate,thresholds=roc_curve(y_test, y_predict)
    roc_auc=auc(false_positive_rate, true_positive_rate)
    plt.title('ROC')
    plt.plot(false_positive_rate, true_positive_rate,'b',label='AUC = %0.2f'% roc_auc)
    plt.legend(loc='lower right')
    plt.plot([0,1],[0,1],'r--')
    plt.ylabel('TPR')
    plt.xlabel('FPR')
    plt.savefig(savepath)
    plt.close(0)


if __name__ == '__main__':
    RFR_model_train(x_list, y_list)
 

結果如下：

feature_weight
[ 0.12049628  0.          0.          0.          0.05872002  0.
  0.08056693  0.          0.43856094  0.27010771  0.          0.
  0.03154812]

ROC曲線如下：