用R语言画ROC曲线及精确召回曲线(Precision-Recall Curve)

最新推荐文章于 2025-11-07 14:00:47 发布

原创

最新推荐文章于 2025-11-07 14:00:47 发布 · 5.7k 阅读

44 ·

CC 4.0 BY-SA版权

文章标签：

#r语言 #数据挖掘 #机器学习

本文介绍了如何使用R语言进行模型评估，分别通过pROC包绘制ROC曲线和利用modEvA包绘制精确召回曲线。在ROC曲线部分，pROC包表现优秀；而在精确召回曲线中，虽然modEvA包被推荐，但其无法计算AUC的95%置信区间，引发了作者对于AUC置信区间意义的疑问。

为了评估模型，最近试了好几个画ROC曲线以及精确召回曲线（PRC）的包，这里记录一下我的一些看法。

1. ROC曲线

如果只需要画ROC曲线，那么pROC包是很好用的。

library(pROC)
#在得到最终模型后，算出预测值
pred <- predict(model, newdata = X_test)
#ROC, 输入真实的label和预测的值（如果是做某个指标用于预测死亡率的ROC曲线，那就用是否死亡代替Y_test, 用这个指标的值代替pred），ci是为了算95%CI
roc_data <- roc(Y_test, as.numeric(pred), ci = TRUE)
#我习惯把数据整理出来，用ggplot2再作图
roc_data <- data.table(sensitivity = roc_data$sensitivities,
                         specificity = roc_data$specificities,
                         yorden = roc_data$sensitivities + roc_data$specificities - 1, # 约登指数
                         auc = roc_data$auc,
                         auc_low = as.numeric(roc_data$ci)[1],
                         auc_up = as.numeric(roc_data$ci)[3]