ROC/AUC 简易试验最佳截断点混淆矩阵敏感度特异度约登指数各个指标置信区间

最新推荐文章于 2024-10-27 21:02:04 发布

仿生bug

最新推荐文章于 2024-10-27 21:02:04 发布

阅读量4k

点赞数 5

文章标签： r语言

本文链接：https://blog.csdn.net/weixin_46623488/article/details/120067878

版权

ROC/AUC 简易试验

最佳截断点敏感度特异度约登召回率混淆矩阵

学习链接, 鼠标放这里

常规学习下面这个矩阵

		金标准
		+	-
模型	+	True Positives(TP)	False Positives(FP)
	-	False Negatives(FN)	True Negatives(TN)
		P	N

正确率 Accuracy = (TP+TN)/(P+N)
错误率 Error Rate = 1 – Accuracy = (FP+FN)/(P+N)
假阳性率 False Positive Rate = FP/N
敏感度=真正阳性正确率 True Positive Rate = Recall = Sensitivity = TP/P
假阴性率 False Negative Rate = FN/P
特异度=真正阴性正确率 True Negative Rate = Specificity = TN/N

#加载包
library(pROC)
#还是用鸢尾花（yuān wěi huā）数据
data(iris)
str(iris)  #查看变量
#去掉其第一个物种分类变量
iris=iris[51:150,  ]
#去掉没用的label
iris$Species=droplevels(iris$Species)
ROC_Result<- roc(iris$Species, iris$Sepal.Width,
                 ci = TRUE)
ROC_Result
plot(ROC_Result)
#平滑ROC绘制
ROC_smooth <- smooth(ROC_Result, method="binormal")
plot(ROC_smooth)

#最佳截断点的确定，各种率，召回率，约登指数，准确率=ROC
coords(ROC_Result, "best")
coords(ROC_Result, "best", ret=c("tpr", "tnr",'precision'))
coords(ROC_Result, "best", ret=c("threshold", "specificity", "1-npv"))

上面的可选参数
#‘arg’ should be one of “threshold”, “specificity”, “sensitivity”, “accuracy”,
#’“tn”, “tp”, “fn”, “fp”, “npv”, “ppv”, “fdr”, “fpr”, “tpr”, “tnr”, “fnr”,
#’ “1-specificity”, “1-sensitivity”, “1-accuracy”, “1-npv”, “1-ppv”,
#’ “precision”, “recall”, “youden”, “closest.topleft”

#绘制混淆矩阵
#提取最佳截断点
a=coords(ROC_Result, "best")[1] [1,1]
#产生新变量，然后根据最佳截断点划分，预测分类变量
iris$prediction=as.character(iris$Species)
#设置方向的话要参考统计描述和上面默认设置的对照
#选择原始数据判断为小的那个为 小于<判断为它； 然后相反大的
iris$prediction[iris$Sepal.Width < a ] <- "versicolor" 
iris$prediction[iris$Sepal.Width > a ] <- "virginica" 
#将真实值和预测值整合到一起
obs_p= data.frame(prob= iris$prediction,obs=iris$Species)
#输出混淆矩阵  case=  +  ； control= -
table(obs_p,dnn=c("预测值","真实值"))
coords(ROC_Result, "best")

在这里插入图片描述

查看各个指标的置信区间

#查看各项置信区间
library(reportROC)
data$Group=factor(iris$Species,levels = c('versicolor','virginica'))
detailROC <-reportROC(gold=iris$Species,predictor = iris$Sepal.Width,)
#例如提取ACC
a=detailROC
paste0('ACC(95%CI):',a['ACC'],'(',paste(a['ACC.low'],a['ACC.up'],sep='-'),')')
detailROC <-reportROC(gold=data$Group,predictor = data$CEA,)
b=detailROC
paste0('ACC(95%CI):',b['ACC'],'(',paste(b['ACC.low'],b['ACC.up'],sep='-'),')')