多指标联合诊断的ROC曲线

最新推荐文章于 2024-07-07 20:05:15 发布
最新推荐文章于 2024-07-07 20:05:15 发布
阅读量4.2k 收藏 18
点赞数 1
分类专栏： 医学统计学 文章标签： r语言 开发语言
原文链接：https://mp.weixin.qq.com/s/eGkRU0GrDiT2fW91RkxqMg
版权

关于ROC曲线，前前后后写了很多篇推文，关于二分类数据和生存资料的都有，目前只有多指标联合诊断的ROC曲线还没介绍了，今天就介绍多指标联合诊断的ROC曲线。

准备数据

library(pROC)

data(aSAH)
str(aSAH)
## 'data.frame': 113 obs. of  7 variables:
##  $ gos6   : Ord.factor w/ 5 levels "1"<"2"<"3"<"4"<..: 5 5 5 5 1 1 4 1 5 4 ...
##  $ outcome: Factor w/ 2 levels "Good","Poor": 1 1 1 1 2 2 1 2 1 1 ...
##  $ gender : Factor w/ 2 levels "Male","Female": 2 2 2 2 2 1 1 1 2 2 ...
##  $ age    : int  42 37 42 27 42 48 57 41 49 75 ...
##  $ wfns   : Ord.factor w/ 5 levels "1"<"2"<"3"<"4"<..: 1 1 1 1 3 2 5 4 1 2 ...
##  $ s100b  : num  0.13 0.14 0.1 0.04 0.13 0.1 0.47 0.16 0.18 0.1 ...
##  $ ndka   : num  3.01 8.54 8.09 10.42 17.4 ...

其中outcome是结果变量，是二分类的，其余列是预测变量。

多指标联合诊断的ROC

假如现在我想使用s100b/ndka/age这3个变量来预测结果，该如何画出这3个变量联合诊断的ROC曲线呢？

首先，使用这3个变量建立逻辑回归：

f <- glm(outcome ~ s100b + ndka + age, data = aSAH, family = binomial())

然后，计算逻辑回归给出的概率：

# 等价于直接使用 f$fitted
pred <- predict(f, newdata = aSAH, type = "response")

aSAH$pred <- pred

用这个pred就可以画ROC曲线了，这个就是多指标联合诊断的ROC曲线。

library(yardstick)

roc_curve(aSAH, truth = outcome, estimate=pred,event_level = "second") |> 
  autoplot()

测试集怎么办？

很简单，只要把predict中的数据集换成测试集即可：

# 换成测试集即可
pred <- predict(f, newdata = 你的测试集, type = "response")

剩下的就都一样了！

医学和生信笔记
关注
  • 1
    点赞
  • 踩
  • 18
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
专栏目录
python实现二分类和多分类的ROC曲线教程
09-16
总结来说，Python实现二分类和多分类的ROC曲线教程涵盖了模型评估的关键指标和ROC曲线的绘制方法，这对于优化模型性能和理解模型在不同场景下的表现至关重要。通过深入理解这些概念和实践操作，开发者能够更好地评估...
graphpad多条不同的曲线_Graphpad：绘制多指标ROC曲线
weixin_39633437的博客
12-22 3776
导读1. ROC曲线：ROC曲线(receiver operating characteristic curve，简称ROC曲线)，以真阳性率(灵敏度)为纵坐标，假阳性率(1-特异度)为横坐标绘制的曲线。ROC最初是在二战中被提出的信号检测理论，后来又被引入了心理学进行信号的知觉检测，现在ROC曲线已经成为非常重要和常见的统计分析方法。2. ROC分析：ROC分析首先是根据学习器的预测结果对样例进...
如何用GraphPad Prism 8 绘制ROC曲线
leroylee7的博客
10-04 1万+
受试者工作特征曲线(receiveroperator characteristic curve, ROC曲线)，最初用于评价雷达性能，又称为接收者操作特性曲线。ROC曲线是以真阳性率(灵敏度)为纵坐标，假阳性率(1-特异度)为横坐标绘制的曲线。①ROC曲线能很容易地查出任意界限值时的对疾病的识别能力。②选择最佳的诊断界限值。③两种或两种以上不同诊断试验对疾病识别能力的比较。 1.Graphpad中创建 打开Graphpad，选择Column，点击Create 2.输入/导入数据 ..
【ROC曲线】ROC曲线易懂理解与多分类的理解
qq_45047062的博客
04-16 5963
ROC曲线，全称Receiver Operating Characteristic Curve（受试者特征曲线）。ROC曲线由灵敏度为纵轴，（1-特异度）为横轴绘制而成。通过绘制ROC曲线可以让读者直观地看到某指标各取值对结局指标的诊断或预测能力。其中名词解释：灵敏度(sensitivity)，即敏感度，是指筛检方法能将实际有病的人正确地判定为患者的比例。特异度(specificity)，是指筛检方法能将实际无病的人正确地判定为非患者的比例。
统计分析之ROC曲线与多指标联合分析——附SPSS绘制ROC曲线指南
无名岛
10-21 9万+
       在进行某诊断方法的评估是，我们常常要用到ROC曲线。这篇博文将简要介绍ROC曲线以及用SPSS及medcal绘制ROC曲线的方法。 定义        ROC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）。得此名的原因在于曲线上各点反映着相同的感受性，它...
统计分析之单因素分析、多因素分析（多指标联合分析）与ROC曲线的绘制——附SPSS操作指南
热门推荐
无名岛
10-21 15万+
Q1.什么是单因素分析和多因素分析？         单因素分析（monofactor analysis）是指在一个时间点上对某一变量的分析。目的在于描述事实。         多因素分析亦称“多因素指数体系”。指数体系的一种。用于说明一个现象总变动受三个或三个以上因素影响时，其中每个因素的变化对总变动影响的方向和程度。分析依据是：(1)根据统计分析目的和经济现象的内在联系确定指数体系；（2)...
手把手教你SPSS进行ROC曲线分析
dege857的博客
01-01 8万+
ROC曲线也叫受试者工作曲线，原来用在军事雷达中，后面广泛应用于医学统计中。ROC曲线是根据一系列不同的二分类方式(分界值或决定阈)，以真阳性率(灵敏度)为纵坐标，假阳性率(1-特异度)为横坐标绘制的曲线。 ROC曲线主要应用于二分类结局，比如是否死亡，疾病诊断，肿瘤复发等等，可以用于自变量为连续变量的截点判定。 可以做ROC曲线的软件很多，如SPSS,R语言，Stata, SAS等等，其中SPSS非常简单，适合完全没有基础的初学者，今天我们就来使用SPSS作出一个符合论文发表的ROC曲线。 首先打开SP
ROC曲线,roc曲线的意义,matlab
09-10
ROC曲线，全称为Receiver Operating Characteristic Curve，是评估二分类模型性能的重要工具。在医学、信号检测、机器学习等多个领域有着广泛的应用。ROC曲线通过绘制真正率（True Positive Rate, TPR）与假正率...
解决ROC曲线画出来只有一个点的问题
09-17
正常情况下，ROC曲线是由多个点构成的连续曲线，这些点对应于不同的分类阈值。如果ROC曲线只有一个点，那么意味着模型只使用了一个固定的阈值来进行分类，没有根据不同的概率调整决策边界，这通常是因为模型的输出...
ROC.rar_ROC曲线_roc
09-24
ROC曲线（Receiver Operating Characteristic Curve），是评估二分类模型性能的一种重要工具，尤其在医学诊断、信号检测等领域广泛应用。ROC曲线通过绘制真正率（True Positive Rate, TPR）与假正率（False Positive...
临床预测模型之二分类ROC曲线的绘制
医学和生信笔记的博客
10-31 4207
完美观看体验请至公众号查看本文。，专注R语言在临床医学中的使用，R语言数据分析和可视化。ROC曲线是评价模型的重要工具，曲线下面积AUC可能是大家最常见的模型评价指标之一。如果你还不太了解关于ROC曲线中的各种指标，请看下面这张图（请至公众号查看），有你需要的一切（建议保存）R语言中有非常多的方法可以实现ROC曲线，但是基本上都是至少需要2列数据，一列是真实结果，另一列是预测值，有了这两列数据，就可以轻松使用各种方法画出ROC曲线并计算AUC。
roc曲线的意义_【科研助手】ROC曲线在医学诊断类稿件中的应用
weixin_39647412的博客
12-19 7389
ROC曲线，即受试者工作特征曲线(receiver operating characteristic curve)，是以灵敏度为纵坐标，1-特异度为横坐标绘制而成的曲线，其在临床医学诊断类稿件中受到人们的广泛关注且应用逐渐深入。而稿件中的ROC曲线应用是否合理及数据逻辑能否行得通，还需认真分析。今天，小编就跟大家聊一聊ROC曲线在医学诊断类稿件中的应用。传统的诊断试验评价方法要求将试验结...
分类问题：导致AUC为0.5的原因及解决方案
qq_51174011的博客
03-09 1万+
神经网络：AUC为0.5 在训练模型的过程中遇到了AUC为0.5的情况，搜集了一些网络上的资料，简单的做了一个整理 1. 特征本身和标签之间没有关系 AUC为0.5，意味着模型趋于“随机预测”模型，ROC曲线近似于ROC图的对角线。 “特征本身和标签之间没有关系”看起来是一件不太可能发生的事，但实际中有可能会由调取数据过程出现的问题导致。 检查模型的特征和标签是否匹配可以检验该问题是否存在，若存在应匹配特征和标签 2. 原始数据的量纲差异过大 当原始数据的量纲相差过大，而标签中“0”的过多时，训练出的模型系
使用SPSSAU进行Roc联合诊断
m0_37228052的博客
11-29 716
思想上，如何将‘4个指标’合并成一个，通常是使用二元logit回归，将4个指标作为X，将‘低出生体重儿’作为Y进行二元logit回归，并且得到‘预测值’，该‘预测值’即为4个指标的整体汇总指标值，然后将该’预测值‘作为检验变量X，然后将’低出生体重儿’作为状态变量Y进行分析即可。但是该4项指标合计在一起的时候，联合诊断效果如何，是否可以使用一个整体汇总指标来标识出‘4个指标’。比如‘低出生体重儿’的出生，受到产妇年龄，产妇体重，产妇在妊娠期间是否吸烟，是否患有高血压共4项指标的影响。2、SPSSAU操作。
机器学习评价指标详解
威少的博客
11-07 1385
文章目录1. 混淆矩阵，准确率，精准率，召回率2. 准确率3. 精确率（precision）4. 召回率（Recall）5. P-R曲线（查准率-查全率）6. F1分数7. ROC曲线和AUC值7.1. 灵敏度，特异度，真正率，假正率7.2 ROC（TPR-FPR）曲线7.3 AUC（曲线下的面积）参考网址 1. 混淆矩阵，准确率，精准率，召回率 实际结果 1 0 预测结果 1 TP FP 0 FN TN TP、FP、TN、FN都是针对与预测来说的。比如T表示预测正确
科研绘图系列：R语言箱线图（boxplot）
H20230717的博客
07-06 199
科研绘图系列：R语言箱线图（boxplot）
R语言实战—圆形树状图
qq_64411728的博客
07-07 549
详细介绍了一下圆形树状图的代码过程，通俗易懂，小伙伴们可放心食用~
【NTN 卫星通信】Starlink基于终端用户的测量以及测试概述
最新发布
weixin_43603524的博客
07-07 1214
低地球轨道卫星网络(lsn)被认为是即将到来的6G中真正实现全球覆盖的关键基础设施。本文介绍了我们对Starlink端到端网络特征的初步测量结果和观测结果，Starlink可以说是迄今为止最大的LSN星座。我们的研究结果证实，lsn是实现地球上无处不在的互联网覆盖的一个有希望的解决方案;然而，我们也发现星链的用户体验到更多的低吞吐量和延迟超过地面网络用户，甚至频繁中断。它的用户体验受到环境因素的严重影响，比如地形、太阳风暴、雨、云、还有温度，功耗也是如此。我们进一步分析了星链目前的弯管中继策略及其局限性，特
多指标联合roc曲线的r实现
09-13
多指标联合ROC曲线是一种评估分类模型综合性能的方法，可以比较不同分类模型在多个指标上的优劣。下面是一个用R语言实现多指标联合ROC曲线的方法： 首先，我们需要加载一些必要的R包，如“pROC”和“ROCR”，这些包提供了计算和绘制ROC曲线所需的函数。 ```R library(pROC) library(ROCR) ``` 然后，我们需要准备一个包含模型预测概率和真实标签的数据集。假设我们有一个名为“data”的数据集，其中包含两列：“prob”是模型预测概率的列，“label”是真实标签的列。 ```R data <- data.frame(prob = c(0.8, 0.6, 0.3, 0.5, 0.7), label = c(1, 0, 1, 0, 1)) ``` 接下来，我们可以使用“roc”函数计算模型的ROC曲线的多个指标。这个函数将输出一个包含不同指标的ROC曲线对象。“roc”函数的第一个参数是真实标签的向量，“predictor”参数是模型概率的向量。 ```R roc_obj <- roc(data$label, data$prob, levels = rev(levels(as.factor(data$label)))) # 计算不同指标 auc_value <- auc(roc_obj) # 计算AUC sens_value <- roc_obj$sensitivities # 计算灵敏度 spec_value <- 1 - roc_obj$specificities # 计算特异度 ``` 此时，“auc_value”变量将包含计算得到的AUC值，而“sens_value”和“spec_value”变量则分别包含了不同阈值下的灵敏度和特异度值。 最后，我们可以使用“plot”函数将多个指标的ROC曲线绘制出来。 ```R plot(roc_obj, col = "blue") # 绘制ROC曲线 lines(spec_value, sens_value, type = "b", col = "red") # 绘制灵敏度-特异度曲线 legend("bottomright", legend = c("ROC Curve", "Sensitivity-Specificity Curve"), col = c("blue", "red"), lty = 1) ``` 以上是使用R语言实现多指标联合ROC曲线的基本步骤。你可以根据需要进行进一步的探索和调整，以满足具体任务的需求。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值