roc曲线怎么绘制_受试者工作特征（ROC）曲线及其在R中实现

受试者工作特征(ROC)曲线及其在R中实现 受试者工作特征曲线( receiver operating characteristic curve ， ROC 曲线)，又称为感受性曲线( sensitivity curve )，是比较诊断测试的一种方法。术语“受试者工作特征”起源于第二次世界大战， ROC 曲线最初被开发用于分析雷达数据，以区分敌机和信号噪声(例如鸟群)。随着接受者灵敏度的提高，假阳性的数量会随之增加(换句话说，特异性降低，即灵敏度 = 1- 特异性)。 因此， ROC 曲线实际上反映了特异性与灵敏度的关系，它是真阳性率与假阳性率的关系图。其背后的逻辑是，如果一项测试没有诊断能力，那么它产生真阳性或假阳性的可能性是相同的。随着诊断能力的增加，即特异性的提升，真阳性率上升，假阳性下降。 本篇描述ROC曲线特征，并简介几种 可获得 ROC曲线的R包，以及在最后通过两个示例展示ROC曲线的应用。

ROC曲线图解

ROC曲线图主要用于描述：

(1)敏感性和特异性之间的关系，例如敏感性降低时，特异性的增加。

(2)测试精度，曲线越靠近顶部和左侧边界，代表测试越准确；曲线越靠近对角线，测试的准确性就越低。

(3)似然比，由任意特定切点处的导数给出。

ROC曲线显示两个测试，红色测试更接近对角线，因此不如蓝色测试准确。

测试精度也显示为曲线下面积(area under the curve，AUC)，可以使用积分计算，曲线下的面积越大，测试越准确。完美测试的ROC曲线下面积为1(曲线从0开始垂直延伸到左上角，然后水平延伸至右上角)。

ROC曲线中的对角线代表着等概率(随机)事件，可以理解为，遵循对角线的测试并不比随机抛硬币更容易发现问题。对角线下方的面积是0.5(图形面积的一半)，因此若测试的AUC值小于或大致等同0.5，则反映其是个无效的测试。

     

几种获取ROC曲线的R包的简介

现阶段能够获取ROC曲线的R包非常多，这里列举6个R包，足以满足日常使用了。

以下过程只简单展示怎样通过这些R包获得ROC曲线，以及计算曲线下面积(AUC)。关于这些R包的其它细节，比如说怎样修改参数使ROC曲线更好看等，还请同学们自行研究了。

ROC