pROC带你轻松搞定ROC曲线绘制

创作时间:

作者:

@小白创作中心

pROC带你轻松搞定ROC曲线绘制

引用

来源

http://www.biocloudservice.com/wordpress/?p=56547

ROC曲线（Receiver Operating Characteristic Curve）是一种常用的二分类模型评估工具，通过绘制真阳性率（True Positive Rate, TPR）与假阳性率（False Positive Rate, FPR）的关系曲线，来评估分类器的性能。pROC包是R语言中用于计算、绘制和分析ROC曲线的强大工具，支持计算AUC值、比较不同模型的ROC曲线等高级功能。

在医学诊断试验和预测模型性能评估中，ROC曲线是一个非常重要的工具。为了帮助大家更好地理解和使用ROC曲线，本文将详细介绍如何使用pROC包来绘制和分析ROC曲线。

一、数据准备与pROC包加载

我们将使用aSAH数据集作为示例，这是一个经典的脑动脉瘤研究数据集，包含了200个亚实质性蛛网膜下腔出血（aSAH）病例的相关信息。该数据集包括11个变量，如年龄、颅内压、术前状态等，常用于分析不同变量与患者病情恢复的关系。

# 加载MASS包
library(MASS)
# 加载pROC包
library(pROC)
# 加载aSAH数据集
data(aSAH)

二、使用roc()进行ROC分析

在aSAH数据集中，我们用age这个数值型预测变量来预测outcome二分类因变量的取值，并且指定因变量的两个水平分别为”Good”和”Poor”。roc1是二分类预测变量age在预测outcome二分类因变量时的ROC曲线和AUC值。我们可以通过这个分析来评估age对outcome的预测能力。

# 使用roc()来建立ROC对象
roc1 <- roc(aSAH$outcome, aSAH$age,
            levels=c("Good", "Poor"))
# 绘制ROC曲线并进行个性化设置
plot(roc1,
     # 打印AUC值
     print.auc=TRUE,
     # 设置打印AUC值的x轴位置
     print.auc.x=0.4,
     # 设置打印AUC值的y轴位置
     print.auc.y=0.5,
     # 不生成ROC曲线下方多边形
     auc.polygon=FALSE,
     # 设置两个轴间隔的大小
     # 设置两个轴间隔的颜色
     grid.col=c("#FF8C00", "#FF8C00"),
     # 不显示最佳阈值的位置
     print.thres=FALSE,
     # 图形标题
     main="ROC curve for aSAH dataset",
     # ROC曲线颜色
     col="#FF2E63",
     # 绘制旧式的轴刻度标签
     legacy.axes=TRUE,
     # 打印AUC值时使用橙色文本
     print.auc.col="#FF8C00")

三、曲线的比较与p值的添加

为了检验两条曲线的p值，我们再次引入另一条曲线，参数更改为aSAH$s100b，并使用 add=TRUE将它与上一条曲线放置在同一图上。

# 使用roc()来建立ROC对象
roc2 <- roc(aSAH$outcome, aSAH$s100b, levels = c("Good", "Poor"))
# 绘制 ROC 曲线
plot(roc2, col = "blue", add=TRUE, # 增加曲线，
     print.auc = TRUE,
     main = "ROC curve for S100B",
     xlab = "1 - Specificity", ylab = "Sensitivity",
     print.auc.x=0.6,print.auc.y=0.6)

紧接着，我们使用 roc.test() 函数对前面得到的两条 ROC 曲线 roc1 和 roc2 进行比较，并得出它们是否具有显著差异。函数返回的结果存储在变量 testp 中。然后我们使用 text() 函数在图表上添加了一个注释，显示了检验结果中的 p 值。

testp <- roc.test(roc1,roc2)   # 检验两条曲线
text(0.4, 0.2,  # 设置添加p值的位置(x,y)
     labels=paste("P value =", format.pval(testp$p.value)),
     adj=c(0, 0.5)) # 在图上添加P值