【R语言】pROC绘制ROC曲线

    前面给大家介绍了ROC曲线，相信大家对ROC以及一些常见的机器学习的概念，如正样本，负样本，真阳性，假阳性，假阴性，准确度，敏感性，特异性等等已经有了一定的了解。

☞ ROC曲线简介

今天我们给大家讲解一下如何使用R的pROC这个包来绘制ROC曲线。

#安装pROC包BiocManager::install("pROC")
#加载pROC包library(pROC)
#使用的示例数据data(aSAH)

下面是我们使用的数据，outcome是我们要预测的结果，分为good和poor，一个典型的二分类问题。gender，age，wfns，s100b和ndka是我们可以使用的特征变量。

接下来我们就可以构建并绘制ROC曲线了，如果对roc这个函数不太了解，可以通过在R的控制台输入?roc，来查看R的帮助手册。

通过函数的介绍，我们可以看到，使用roc这个函数有两种方法。

一种是通过formula，也就是通过一个公式来将response（预测的结果）和predictor（特征变量）连接起来。第二种方法是将response和predictor分开来写。接下来我们分别来看下这两种方法的使用。

方法一、使用formula

#生成ROC曲线，注意公式的写法，一定是response在前，predictor在后p1=roc(outcome ~ s100b, aSAH)#绘制ROC曲线，col控制roc曲线的颜色plot(p1,col="red")

我们可以得到下图的ROC曲线

方法二、分别指定response和predictor

#生成ROC曲线，也是response在前，predictor在后p2=roc(aSAH$outcome, aSAH$s100b)#绘制ROC曲线plot(p2,col="red")

我们可以得到跟上图一样的ROC曲线。

我们还可以输出AUC(area under curve)，来评判特征的预测效果。AUC（Area Under Curve）被定义为ROC曲线下与坐标轴围成的面积，显然这个面积的数值不会大于1。又由于ROC曲线一般都处于y=x这条直线的上方，所以AUC的取值范围在0.5和1之间。AUC越接近1.0，检测方法真实性越高;等于0.5时，则真实性最低，无应用价值。

p1$auc#Area under the curve: 0.7314

可以看到我们这个预测模型的AUC是0.7314，效果还行。

为了方便大家交流学习，共同进步，我特地创建了微信交流群