ROC曲线（受试者工作特征曲线）和PR曲线（精确率-召回率曲线）是两种用于评估分类模型性能的重要工具。ROC曲线以真正例率（TPR，即召回率）为纵轴，假正例率（FPR）为横轴，通过不同阈值下的TPR和FPR绘制而成。PR曲线则以召回率为横轴，精确率为纵轴，同样通过不同阈值下的召回率和精确率绘制。导入数据后，就需要选择分类器来进行训练，这里我选择了以下几个分类模型。逻辑回归（Logistic Reg

这里，np.ones((X_train.shape[0], 1)) 创建了一个形状为 (n_samples, 1) 的数组，其中 n_samples 是 X_train 的样本数量，所有元素的值都是1。在逻辑回归中，这个函数的主要目的是将线性模型的输出转换为一个介于0和1之间的概率值，这样我们就可以用这个概率值来判断某个样本属于正类（例如，标签为1）的。在逻辑回归中，当我们已经有了线性回归模型的基

ROC曲线（受试者工作特征曲线）和PR曲线（精确率-召回率曲线）是两种用于评估分类模型性能的重要工具。ROC曲线以真正例率（TPR，即召回率）为纵轴，假正例率（FPR）为横轴，通过不同阈值下的TPR和FPR绘制而成。PR曲线则以召回率为横轴，精确率为纵轴，同样通过不同阈值下的召回率和精确率绘制。导入数据后，就需要选择分类器来进行训练，这里我选择了以下几个分类模型。逻辑回归（Logistic Reg

ROC曲线（受试者工作特征曲线）和PR曲线（精确率-召回率曲线）是两种用于评估分类模型性能的重要工具。ROC曲线以真正例率（TPR，即召回率）为纵轴，假正例率（FPR）为横轴，通过不同阈值下的TPR和FPR绘制而成。PR曲线则以召回率为横轴，精确率为纵轴，同样通过不同阈值下的召回率和精确率绘制。导入数据后，就需要选择分类器来进行训练，这里我选择了以下几个分类模型。逻辑回归（Logistic Reg