Я пытаюсь запустить следующий код, но в последней строке постоянно появляется ошибка

Ошибка возникает потому, что plot_roc_curve устарел в scikit-learn версии 1.0 и удален в версии 1.2. Вместо этого вы можете использовать RocCurveDisplay из модуля sklearn.metrics, поскольку Google Colab, похоже, сейчас использует версию 1.3.2:

# import sklearn
# print(sklearn.__version__)  # 1.3.2
from sklearn.metrics import accuracy_score, precision_score, recall_score, roc_curve, roc_auc_score, RocCurveDisplay

А для построения кривой ROC вы можете использовать RocCurveDisplay вот так:

RocCurveDisplay.from_estimator(your_model, your_X_test, your_y_test)
plt.show()

Знак ImportError, с которым вы столкнулись, означает, что plot_roc_curve и он недоступен в той версии scikit-learn, которую вы используете. Функция plot_roc_curve была добавлена ​​в scikit-learn в версии 0.22, и если вы используете более старую версию, вам может потребоваться обновить scikit-learn, поэтому у вас есть варианты: либо обновить scikit-learn, либо использовать альтернативные методы для построения кривой ROC.

Чтобы решить эту проблему, вы можете обновить scikit-learn, просто вставив это в свой терминал:

pip install --upgrade scikit-learn или pip3 install --upgrade scikit-learn

В качестве альтернативы, если вы не можете обновить scikit-learn, вы можете использовать функцию roc_curve вместе с matplotlib, чтобы вручную построить кривую ROC. Пример приведен здесь:

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
from sklearn.model_selection import train_test_split, cross_val_score
from sklearn.tree import DecisionTreeClassifier
from sklearn.naive_bayes import GaussianNB, MultinomialNB
from sklearn.metrics import accuracy_score, precision_score, recall_score, roc_curve, roc_auc_score
from sklearn.neighbors import KNeighborsClassifier
from sklearn.neural_network import MLPClassifier

# Sample data
X, y = np.random.rand(100, 10), np.random.randint(0, 2, 100)
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)

# Train a classifier
classifier = DecisionTreeClassifier()
classifier.fit(X_train, y_train)
y_pred = classifier.predict(X_test)
y_proba = classifier.predict_proba(X_test)[:, 1]

# Calculate ROC curve
fpr, tpr, _ = roc_curve(y_test, y_proba)
roc_auc = roc_auc_score(y_test, y_proba)

# Plot ROC curve
plt.figure()
plt.plot(fpr, tpr, color='darkorange', lw=2, label='ROC curve (area = %0.2f)' % roc_auc)
plt.plot([0, 1], [0, 1], color='navy', lw=2, linestyle='--')
plt.xlim([0.0, 1.0])
plt.ylim([0.0, 1.05])
plt.xlabel('False Positive Rate')
plt.ylabel('True Positive Rate')
plt.title('Receiver Operating Characteristic')
plt.legend(loc = "lower right")
plt.show()