R高级绘图 | P8 | 最最最最最简单的ROC曲线绘制并计算AUC的方法

于 2024-04-08 20:30:12 发布
阅读量1.8k 收藏 18
点赞数 24
分类专栏： R高级绘图 R语言绘图 数据挖掘 文章标签： r语言 数据库 数据可视化 数据挖掘 学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_43843918/article/details/137522470
版权

不知为何！这两天超多小伙伴们询问ROC曲线相关问题，有的小伙伴觉得ROC曲线很复杂，画起来很麻烦；有的小伙伴提到不同模型训练得到的预测结果进行ROC曲线绘制时各种格式报错；也有来自非生物医学领域的小伙伴们也用到了ROC曲线，所以前来学习！今天，咱们就给大家介绍一种最最最最最最最最最简单的ROC曲线绘制方法！不管你是什么模型跑出来的结果，咱都百搭！不仅简单，而且万能！

前面碎碎念

ROC曲线到底是什么嘞

ROC（Receiver Operating Characteristic）曲线是一种用于评估分类模型性能的工具。它以二分类模型为基础，比如说医学诊断中的正常/异常、信用评分中的违约/不违约等。ROC曲线以真正例率（True Positive Rate，也称为灵敏度）为纵轴，假正例率（False Positive Rate）为横轴绘制而成。

在了解ROC曲线之前，需要先了解两个重要的概念：

  1. 真正例率（True Positive Rate，TPR）：指分类器正确地将正例预测为正例的比率，即TPR = TP / (TP + FN)，其中TP是真正例（True Positive）的数量，FN是假负例（False Negative）的数量。TPR也被称为“灵敏度”（Sensitivity）或“召回率”（Recall）。
  2. 假正例率（False Positive Rate，FPR）：指分类器错误地将负例预测为正例的比率，即FPR = FP / (FP + TN)，其中FP是假正例（False Positive）的数量，TN是真负例（True Negative）的数量。FPR也被称为“误报率”（False Alarm Rate）。

其实这些概念已经在之前的文章中详细介绍过啦！如下图所示，有兴趣的小伙伴们可以去看看哟！

大家可以查看：

怎么判断你的模型是好是坏？模型性能评估指标大全！

怎么判断你的模型是好是坏？模型性能评估指标大全！（二）

ROC曲线是根据不同的分类阈值绘制出来的。分类阈值决定了模型将某个样本归为正例还是负例的界限。ROC曲线上的每个点代表着在不同的阈值下模型的TPR和FPR。理想情况下，ROC曲线靠近左上角（0,1），意味着模型在所有阈值下都能实现较高的TPR和较低的FPR，即在保持高灵敏度的同时尽量减少误报率。

ROC曲线有什么用嘞

ROC曲线的应用场景包括但不限于：

  1. 评估分类器性能：ROC曲线能够直观地展示分类器在不同阈值下的性能表现。比较不同模型的ROC曲线可以帮助选择最佳模型。
  2. 选择最佳分类阈值：通过ROC曲线，可以选择最合适的分类阈值，以满足特定的需求。比如在医学诊断中，我们可能更重视减少误报率，而在搜索引擎中可能更重视提高召回率。
  3. 比较不同特征集的效果：通过绘制不同特征集对应的ROC曲线，可以评估不同特征对分类器性能的影响，从而选择最具有区分度的特征集。
  4. 调整不平衡样本的分类器：在处理不平衡样本（正负例数量差异很大）时，ROC曲线能够更好地评估分类器的性能，因为ROC曲线不受类别分布的影响。总的来说，ROC曲线是一种非常有效的工具，可以帮助理解和评估分类模型的性能，并且在各种领域的应用中都有着广泛的应用。

关于ROC的曲线，咱们今天就先介绍到这里啦！毕竟今天最最最最最重要的是，向大家介绍最最最最最最最简单的ROC曲线绘制方法！咱们往下看！

绘图代码

咱们今天主打一个简单高效！所以，只要你手头有预测结果和分组信息，咱就能帮你搞出漂亮的ROC曲线！

今日份绘图所用到的数据我已经上传到了GitHub，大家可以在公众号后台回复ROC，即可获得存放数据的链接。不过我在分享过程中也会把每一步的输入数据和输出结果进行展示，大家可以作为参考并调整自己的数据格式，然后直接用自己的数据跑，也是没有任何问题的！


##################### 最最最最最最简单的ROC曲线绘制方法 ########################

# 加载包，没有的记得安装一下哟！
library(pROC)

# 加载数据
roc_data <- readRDS("./roc_data.rds")

dim(roc_data)
# [1] 1470   81

# 我们所用的数据有：1470行、81列

head(roc_data)[1:4, c(1:3,81)]
#                                      BP10MB[0] BP10MB[1] BP10MB[2] type
# 0040b1b6-b07a-4b6e-90ef-133523eaf412       287        17        17    0
# 00508f2b-36bf-44fc-b66b-97e1f3e40bfa       278         6        14    0
# 005794f1-5a87-45b5-9811-83ddf6924568       314         0         0    0
# 005e85a3-3571-462d-8dc9-2babfc7ace21       305         4         5    0

# 可以看出，行名为样本名，前80列为特征名，最后一列`type`列为类别标签，也就是分组信息
# 这里选用这个数据集是为了给大家展示多条ROC曲线的绘制
# 大家可以把特征列看作是预测得分，就假装咱们这里一共有80个模型得到了80种预测得分
# 当然，也可以理解为每一列都是一个特征，咱们以单个特征为指标进行分类预测

# 绘制 ROC 曲线
plot.roc(
  roc_data$type,              # 通常是实际的类别标签，例如阳性或阴性，这里是`type`列
  roc_data$`BP10MB[1]`,       # 通常是预测的概率或分数，这里我们假设`BP10MB[1]`列为预测得分
  col = "#A31621",            # 曲线的颜色
  percent = TRUE,             # 将 x 轴的刻度标签转换为百分比
  lwd = 2,                    # 曲线的线宽
  print.auc = TRUE,           # 是否打印 AUC 值
  print.auc.cex = 1,          # AUC 文本的大小
  print.auc.pattern = "BP10MB[1]: %.1f%%",      # 打印 AUC 的格式，可以是预测概率或分数，也可以的单个特征指标
  print.auc.y = 50            # 打印 AUC 文本的 y 坐标，也就是 AUC 显示在图中的位置，试试你就知道啦！
)

哎嘿！一条曲线就搞定啦！

那要是有的小伙伴们想在一个图图上展示多条ROC曲线以对比不同模型或特征的预测性能该怎么办嘞！

请继续往下看！

# 咱们添加另一条 ROC 曲线
plot.roc(
  roc_data$type,              # 还是`type`列，咱们的类别标签，也就是分组信息
  roc_data$`SS[>7 & <=8]`,    # 这条 ROC 曲线咱们以`SS[>7 & <=8]`列为预测得分
  col = "#2694ab",
  percent = TRUE,
  lwd = 2,
  print.auc = TRUE,
  print.auc.cex = 1,
  print.auc.pattern = "SS[>7 & <=8]: %.1f%%",
  print.auc.y = 45,
  add = TRUE                  # 添加到已有的图上
)

可以看到图中多了一条线，就是以SS[>7 & <=8]列作为分类依据进行预测的结果。

那我们还想要更多的线该怎么做嘞！超简单！咱们继续往下看！

# 继续添加其他 ROC 曲线，参数与上述相似
plot.roc(roc_data$type, roc_data$`SS[>5 & <=6]`, col = "#8134af",
         percent = T,
         lwd = 2, print.auc = T, print.auc.cex = 1, print.auc.pattern = "SS[>5 & <=6]: %.1f%%",
         print.auc.y = 40, add = T)

plot.roc(roc_data$type, roc_data$`CN[>8]`, col = "#667572",
         percent = T,
         lwd = 2, print.auc = T, print.auc.cex = 1, print.auc.pattern = "CN[>8]: %.1f%%",
         print.auc.y = 35, add = T)

plot.roc(roc_data$type, roc_data$`CN[2]`, col = "#d0a727",
         percent = T,
         lwd = 2, print.auc = T, print.auc.cex = 1, print.auc.pattern = "CN[2]: %.1f%%",
         print.auc.y = 30, add = T)

plot.roc(roc_data$type, roc_data$`CN[1]`, col = "#de4307",
         percent = T,
         lwd = 2, print.auc = T, print.auc.cex = 1, print.auc.pattern = "CN[1]: %.1f%%",
         print.auc.y = 20, add = T)

plot.roc(roc_data$type, roc_data$`CN[4]`, col = "#005995",
         percent = T,
         lwd = 2, print.auc = T, print.auc.cex = 1, print.auc.pattern = "CN[4]: %.1f%%",
         print.auc.y = 25, add = T)

plot.roc(roc_data$type, roc_data$`CNCP[2]`, col = "#051181",
         percent = T,
         lwd = 2, print.auc = T, print.auc.cex = 1, print.auc.pattern = "CNCP[2]: %.1f%%",
         print.auc.y = 15, add = T)

plot.roc(roc_data$type, roc_data$`BPArm[4]`, col = "#8bc24c",
         percent = T,
         lwd = 2, print.auc = T, print.auc.cex = 1, print.auc.pattern = "BPArm[4]: %.1f%%",
         print.auc.y = 10, add = T)

plot.roc(roc_data$type, roc_data$`CNCP[0]`, col = "#ea7070",
         percent = T,
         lwd = 2, print.auc = T, print.auc.cex = 1, print.auc.pattern = "CNCP[0]: %.1f%%",
         print.auc.y = 5, add = T)

喔豁！大功告成！漂亮！

文末碎碎念

那今天的分享就到这里啦！我们下期再见哟！

最后顺便给自己推荐一下嘿嘿嘿！

如果我的分享对你有用的话，欢迎关注点赞在看转发分享阿巴阿巴阿巴阿巴巴巴！这可是我的第一原动力！

蟹蟹你们的喜欢和支持！！！

生信小白要知道
关注
  • 24
    点赞
  • 踩
  • 18
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
专栏目录
R语言使用pROC包的的plot.roc函数对单变量进行ROC分析并可视化ROC曲线、寻找最佳阈值（threshold、cutoff）、在可视化曲线中添加最佳阈值点
data+scenario+science+insight
04-12 1638
R语言使用pROC包的的plot.roc函数对单变量进行ROC分析并可视化ROC曲线、寻找最佳阈值（threshold、cutoff）、在可视化曲线中添加最佳阈值点
r roc函数_【r<-ROC|包】分析与可视化ROC——plotROC、pROC
weixin_42410566的博客
02-21 760
在【r这一篇文章我们学习两个跟ROC相关的R包：plotROC - Generate ROC Curve Charts for Print and Interactive UsepROC - display and analyze ROC curves in R and S+plotROCplotROC包较为简单与单一，它就是用来绘制ROC曲线的，包中定义的函数基于ggplot2，因此我们可以结合...
曲线绘制_roc_ROC曲线绘制_PRC_auc曲线绘制_
10-03
roc，prc，auc曲线绘制，帮助解决二分类问题的图像绘制处理
R语言实战 input+结果——ROC曲线的绘制 auc 时量下曲线面积
生信小博士的博客
09-19 3249
第一步当然得处理一下数据。
基于Origin绘制AUC检验预测模型精度
weixin_46950211的博客
08-01 4454
本文结合实际案例给出了AUC的定义和算法，详细给出了基于Origin绘制AUC的具体步骤。
代码+视频手把手教你R语言基于pROC包绘制多条ROC曲线
最新发布
dege857的博客
02-23 1402
可以做ROC曲线的软件很多，如SPSS,R语言，Stata, SAS等等，既往我们已经介绍了使用SPSS制作ROC曲线，今天我们来视频介绍怎么使用R语言绘制多条ROC曲线，继续使用我们的肺炎数据(公众号回复：肺炎，可以获得数据)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。
【Python绘图】如何绘制交叉验证的AUC和AUPR曲线
sxl的博客
04-04 8630
目录1 交叉验证2 Python\rm{}PythonPython绘制交叉验证AUROC\rm{}AUROCAUROC3 Python\rm{}PythonPython绘制交叉验证AURR\rm{}AURRAURR4 参考文献 1 交叉验证    2 Python\rm{}PythonPython绘制交叉验证AUROC\rm{}AUROCAUROC import numpy as np import matplotlib.pyplot as plt from sklearn import svm, dat
ROC曲线绘制（详细）以及模型选择
热门推荐
忘川的博客
11-24 8万+
在我们在讲解ROC曲线之前 首先要明确混淆矩阵的概念 如下图： 真正率 TPR：预测为正例且实际为正例的样本占所有正例样本（真实结果为正样本）的比例。 假正率 FPR：预测为正例但实际为负例的样本占所有负例样本（真实结果为负样本）的比例。 公式： 下面进入正题： 一 :ROC曲线简介 来自百度百科解释（讲了半天我也没看懂） 　　接受者操作特性曲线（receiver operating characteristic curve，简称ROC曲线），又称为感受性曲线（sensitivity curve）。得
ROC曲线绘制和AUC计算
ccc_bioinfo的博客
11-30 1886
ROC曲线绘制和AUC计算，以及在医学诊断中的应用
如何快速学会画漂亮的ROC图
weixin_44445027的博客
05-21 3369
pROC是一个专门用来计算和绘制ROC曲线的R包，目前已被CRAN收录，因此安装也非常简单，同时该包也兼容ggplot2函数绘图，本次就教大家怎么用pROC来快速画出ROC图。在医学领域主要用于判断某种因素对于某种疾病的诊断是否有诊断价值。什么是ROC曲线和AUC，以及如何去看ROC曲线的结果，可以这样总结：ROC曲线呢，其实就是每个对应的cutoff值都有一个对应的真阳性率（纵坐标）和假阳性率（横坐标），比如选择了10个cutoff值，那就相当于有个10个点，把这些点连成一条线就是ROC曲线。AUC值就是
R语言计算AUC（ROC曲线）的注意事项
医学和生信笔记的博客
01-06 8139
之前的推文中介绍了ROC曲线的本质以及两面性：这些现在都有成熟的R包可以帮我们搞定，不需要我们手动计算。不过这些包在计算AUC时，默认是计算阳性结果的AUC，这在实际情况中有时会遇到问题，大家在使用时最好手动指定，到底是计算谁的AUC，关于ROC的两面性，可以参考上面的推文。这里以我最常用的ROCR和pROC进行演示。
ROC画图代码(Python)
tiaxia1的博客
01-14 2390
# -*- coding: utf-8 -*- import numpy as np ############计算ROC需要的库函数############# from sklearn.model_selection import cross_validate from sklearn import metrics from sklearn import svm import matplot...
手把手教你画ROC曲线
hellogril前端库
12-30 927
step2：根据上表，选择阈值为0.9，正例中有1个样本的预测值大于等于1，反例中有0个，所以，TPR=1/3，FPR=0。step5：根据上表，选择阈值为0.3，正例中有3个样本的预测值大于等于1，反例中有1个，所以，TPR=1，FPR=1/3。step6：根据上表，选择阈值为0.2，正例中有3个样本的预测值大于等于1，反例中有2个，所以，TPR=1，FPR=2/3。step7：根据上表，选择阈值为0.1，正例中有3个样本的预测值大于等于1，反例中有3个，所以，TPR=1，FPR=1。
python绘制roc曲线计算auc
06-06
Python可以使用scikit-learn库中的函数绘制ROC曲线并计算AUC。 首先，需要导入相关的库和数据集： ```python from sklearn.metrics import roc_curve, auc import matplotlib.pyplot as plt import numpy as np # 假设有真实标签y_true和预测概率y_score y_true = np.array([, , 1, 1]) y_score = np.array([.1, .4, .35, .8]) ``` 然后，可以使用roc_curve函数计算ROC曲线的x轴和y轴坐标： ```python fpr, tpr, thresholds = roc_curve(y_true, y_score) ``` 其中，fpr表示假正率，tpr表示真正率，thresholds表示分类阈值。接下来，可以使用auc函数计算AUC： ```python roc_auc = auc(fpr, tpr) ``` 最后，可以使用matplotlib库绘制ROC曲线： ```python plt.plot(fpr, tpr, color='darkorange', lw=2, label='ROC curve (area = %.2f)' % roc_auc) plt.plot([, 1], [, 1], color='navy', lw=2, linestyle='--') plt.xlim([., 1.]) plt.ylim([., 1.05]) plt.xlabel('False Positive Rate') plt.ylabel('True Positive Rate') plt.title('Receiver operating characteristic example') plt.legend(loc="lower right") plt.show() ``` 其中，lw表示线条宽度，label表示图例标签，linestyle表示线条样式。最终的ROC曲线如下所示： ![ROC曲线](https://img-blog.csdnimg.cn/2021073017193156.png)
评论
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

打赏作者

生信小白要知道

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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