ROC 曲线

作者

[编辑] 郑虎;

[审核] .

注记

Hiplot 网站

本页面为 Hiplot ROC 插件的源码版本教程,您也可以使用 Hiplot 网站实现无代码绘图,更多信息请查看以下链接:

https://hiplot.cn/basic/roc?lang=zh_cn

接收者工作特征曲线(ROC 曲线)是用来说明二元分类器系统在其识别阈值变化时诊断能力的图形。

环境配置

  • 系统: Cross-platform (Linux/MacOS/Windows)

  • 编程语言: R

  • 依赖包: pROC; ggplotify

# 安装包
if (!requireNamespace("pROC", quietly = TRUE)) {
  install.packages("pROC")
}
if (!requireNamespace("ggplotify", quietly = TRUE)) {
  install.packages("ggplotify")
}

# 加载包
library(pROC)
library(ggplotify)

数据准备

示例数据为一列二分类变量的结局和三列不同变量(诊断指标)及其数值。

# 加载数据
data <- read.delim("files/Hiplot/156-roc-data.txt", header = T)

# 整理数据格式
name_val <- colnames(data)[2:ncol(data)]
num_value <- ncol(data) - 1

# 查看数据
head(data)
  outcome value.Am value.GG value.EL
1    Good        3     0.33    17.30
2    Good        2     0.11    12.71
3    Good        4     0.28     9.44
4    Good        2     0.07    11.07
5    Good        1     0.10    19.46
6    Good        4     0.32    10.83

可视化

# ROC 曲线
col <- c("#00468BFF","#ED0000FF","#42B540FF")
p <- as.ggplot(function() {
  for (i in 1:num_value) {
    if (i == 1) {
      roc_data <- roc(data[, 1], data[, i + 1],
        percent = T, plot = T, grid = T, lty = i, quiet = T,
        print.auc = F, col = col[i], smooth = F,
        main = "ROC Plot"
      )
      text(30, 50, "AUC", font = 2, col = "darkgray")
      text(30, 50 - 10 * i,
        paste(name_val[i], ":", sprintf("%0.4f", as.numeric(roc_data$auc))),
        col = col[i]
      )
    } else {
      roc_data <- roc(data[, 1], data[, i + 1],
        percent = T, plot = T, grid = T, add = T, lty = i, quiet = T,
        print.auc = F, col = col[i]
      )
      text(30, 50 - 10 * i,
        paste(name_val[i], ":", sprintf("%0.4f", as.numeric(roc_data$auc))),
        col = col[i]
      )
    }
  }
    })

p
图 1: ROC 曲线

横轴表示特异性,纵轴表示敏感性,二者之间没有函数关系。曲线越靠近左上角,认为该诊断指标预测能力越好。图示中每种颜色表示一个变量(诊断指标),蓝色曲线和红色曲线的预测能力明显较绿色曲线好。AUC 为 ROC 曲线下面积。AUC = 1 表示该曲线存在至少一个阈值能得出完美预测。0.5 < AUC < 1,优于随机猜测,妥善选择阈值,能有预测价值。AUC = 0.5,跟随机猜测一样,模型没有预测价值。若 AUC < 0.5,可能原因是二分类变量如(0,1)与结局设置颠倒,调换结局赋值即可。在本图示中,value-Am (86.9792) > value-GG (84.3750) > value-EL (56.7708),可以认为 Am 变量的预测能力最好。