查看多分类问题中每个分类的 ROC 曲线（以 R 语言表示的召回率 R），附带源代码

查看多分类问题中每个分类的 ROC 曲线（以 R 语言表示的召回率 R），附带源代码

在多分类问题中，评估模型性能是非常重要的一步。除了常见的准确度和混淆矩阵之外，ROC 曲线也是一种常用的评估指标。ROC（Receiver Operating Characteristic）曲线通过绘制真正例率（True Positive Rate，也称为召回率）与假正例率（False Positive Rate）之间的关系图来帮助我们评估分类模型的准确性。本文将介绍如何使用 R 语言来查看多分类问题中每个分类的 ROC 曲线，并附带源代码。

首先，我们需要加载所需的 R 包，其中包括 pROC 和 ggplot2 两个包。pROC 包提供了用于计算 ROC 曲线的函数，ggplot2 则用于可视化结果。

# 安装依赖包
install.packages("pROC")
install.packages("ggplot2")

# 加载包
library(pROC)
library(ggplot2)

接下来，假设我们有一个多分类模型，其中有三个类别（A、B、C）。我们的模型预测结果是一个包含三列的概率矩阵，每一列对应于一个类别的概率值。我们可以使用模拟数据来演示如何计算和绘制每个分类的 ROC 曲线。

# 模拟数据
set.seed(123)
n <- 1000
true_labels <- sample(c("A", "B", "C"), n, replace = TRUE)
predicted_probs <- matrix(runi