r roc函数_R： ROCR包用于ROC分析

最新推荐文章于 2024-02-28 15:03:07 发布

原创

最新推荐文章于 2024-02-28 15:03:07 发布 · 2.8k 阅读

4 ·

CC 4.0 BY-SA版权

文章标签：

#r roc函数

ROC曲线用于评估二分类响应变量的预测效果，例如比较不同预测指标（如血压值和体重）在预测高血压中的作用。ROCR包提供分析ROC数据的功能，包括prediction对象、性能计算和绘图。通过TPR和FPR计算，ROC曲线的AUC可衡量预测能力，0.5-0.9的AUC表示不同级别的预测能力。ROCR包主要涉及prediction、performance和plot三个函数，可用于计算和展示ROC曲线。

受试者工作特征曲线 (receiver operating characteristic curve，简称ROC曲线)，又称为感受性曲线(sensitivity curve)。

ROC可以用于：(1)比较预测二分类响应变量的预测效果；(2)获取预测二分类响应变量的连续预测变量的阈值。

比如在预测病人有无高血压时，有无高血压为二分类的响应变量：有或无，使用测量的血压值为预测变量，血压值为连续变量。

假如还想通过体重来预测有无高血压，那么要比较这两个模型：血压值及体重究竟哪个指标能更好的预测有无高血压就是用途(1)，而选择哪一个数值是比较好的界定“有无高血压”的阈值，就是用途(2)。

ROCR包与ROC

一个用于分析ROC的数据是一组连续变量和一组二分类变量，连续变量是预测变量，分类变量是响应变量。

在ROCR包中，这两组数据被称为“predictions“和”labels“。

如下所示为ROCR包的示例数据ROCR.sample。

# 载入工具包
library(tidyverse)
library(ROCR)

data(ROCR.simple)
ROCR.simple %>% as_tibble
# # A tibble: 200 x 2
# predictions labels
#   
# 1       0.613  &nb