R数据分析：多分类问题预测模型的ROC做法及解释

有同学做了个多分类的预测模型，结局有三个类别，做的模型包括多分类逻辑回归、随机森林和决策树，多分类逻辑回归是用ROC曲线并报告AUC作为模型评估的，后面两种模型报告了混淆矩阵，审稿人就提出要统一模型评估指标。那么肯定是统一成ROC了，刚好借这个机会给大家讲讲ROC在多分类问题情形下的具体使用和做法。

ROC 曲线回顾

ROC 曲线（Receiver Operating Characteristic Curve）：展示分类模型的真阳性率（TPR） 和 假阳性率（FPR）的关系。

1. 真阳性率 (TPR)：模型正确分类正样本的比例。
2. 假阳性率 (FPR)：模型错误地把负样本判为正样本的比例。

其中的逻辑就是分类问题是要看概率阈值进行类别划分的，取不同的概率阈值，真阳性和假阳性率是不一样的。ROC曲线就是在所有可能的阈值下，绘制 TPR（纵轴） 对 FPR（横轴）的曲线。

而AUC（Area Under the Curve）