在不使用任何包的情况下在 R 中绘制 ROC 曲线
Plot a ROC curve in R without using any packages
嗨，我是 R 编程的新手，我在不使用任何包的情况下绘制 ROC 曲线时遇到了麻烦。
我使用以下方法生成了我的数据：
d=rpearsonIII(100,0.5,360,20)
nd=rnorm(100,450,25)
我需要一个 d 值 <400 和 nd 值 >400 的向量，所以我做到了：
spec = (cumsum(nd[nd>400])/sum(nd))*100
sens = (cumsum(d[d<400])/sum(nd))*100
我是这样绘制的：
plot(1-spec,sens)
但是剧情和我想象的完全不一样
编辑：
感谢给出的建议，我的代码现在看起来像这样：
sc2 = c(rnorm(50,450,25),rpearsonIII(50,0.5,360,20))
scF = sc2 < 395
thresholds <- sort(sc2)
pos <- sum(scF);pos
neg <- sum(!scF);neg
tn <- cumsum(!scF);tn
spec <- tn/neg;spec
tp <- pos - cumsum(scF);tp
sens <- tp/pos;sens
plot(1 - spec, sens, type = "l", col = "red",
ylab = "Sensitivity", xlab = "1 - Specificity")
abline(c(0,0),c(1,1))
绘制的 roc 曲线如下所示：
roc curve
我现在的问题是，如果改变生成数据的顺序（rnorm 和 rpearsonIII），曲线就会反转。
我不知道 rpearsonIII 是什么，所以我将使用实际 类 actuals 以及预测分数制作一个样本随机数据 scores.
set.seed(100)
actuals <- sample(c(TRUE,FALSE), 100, replace = TRUE)
scores <- runif(100,-1,1)
带解释的长版
如果您的数据中的实际值是字符串或因子而不是逻辑值，您需要使用以下方法将它们转换为逻辑值：
actuals <- actuals == "postiveClass"
接下来我们要根据分数对实例进行排序。我们可以使用：
actuals <- actuals[order(scores)]
如果您想跟踪灵敏度和特异性的阈值，可以使用以下方法使它们保持一致：
thresholds <- sort(scores)
现在我们需要了解我们的敏感性和特异性。灵敏度为 TP/P，特异性为 TN/N。得到阳性总数 P 很容易，因为我们的实际值是合乎逻辑的，我们可以只使用 sum(actuals)。相似性，我们可以使用sum(!actuals)得到我们的底片N。
pos <- sum(actuals)
neg <- sum(!actuals)
首先让我们在每个阈值处得到我们的真底片。这很简单，它只是等于或低于每个阈值的 FALSE 值的数量。由于我们的数据按阈值排序，我们可以使用以下方法计算（和特异性）：
tn <- cumsum(!actuals)
spec <- tn/neg
真阳性的数量稍微难一些，因为我们正在寻找 大于 阈值的阳性数量，因此仅 cumsum 是行不通的。然而，由于高于阈值的数量等于低于或等于阈值的总负数，我们可以使用以下方法获得真阳性：
tp <- pos - cumsum(actuals)
sens <- tp/pos
现在我们需要做的就是绘制两者。
plot(1 - spec, sens, type = "l", col = "red",
ylab = "Sensitivity", xlab = "1 - Specificity")
abline(c(0,0),c(1,1))
要获得曲线的 AUC，我们只需计算每个实际值的曲线高度（灵敏度）乘以宽度（1 的差异 - 特异性）。我们已经有了敏感性，我们只需要特异性。 diff 函数会给出我们相邻值的特异性差异，但是，我们需要在开头放置一个 0 值以获得第一列的宽度。
width <- diff(c(0, 1 - sens))
auc <- sum(spec*width)
最小代码版本
actuals <- actuals[order(scores)]
sens <- (sum(actuals) - cumsum(actuals))/sum(actuals)
spec <- cumsum(!actuals)/sum(!actuals)
plot(1 - spec, sens, type = "l", col = "red",
ylab = "Sensitivity", xlab = "1 - Specificity")
abline(c(0,0),c(1,1))
(auc <- sum(spec*diff(c(0, 1 - sens))))
嗨，我是 R 编程的新手，我在不使用任何包的情况下绘制 ROC 曲线时遇到了麻烦。
我使用以下方法生成了我的数据：
d=rpearsonIII(100,0.5,360,20)
nd=rnorm(100,450,25)
我需要一个 d 值 <400 和 nd 值 >400 的向量，所以我做到了：
spec = (cumsum(nd[nd>400])/sum(nd))*100
sens = (cumsum(d[d<400])/sum(nd))*100
我是这样绘制的：
plot(1-spec,sens)
但是剧情和我想象的完全不一样
编辑： 感谢给出的建议，我的代码现在看起来像这样：
sc2 = c(rnorm(50,450,25),rpearsonIII(50,0.5,360,20))
scF = sc2 < 395
thresholds <- sort(sc2)
pos <- sum(scF);pos
neg <- sum(!scF);neg
tn <- cumsum(!scF);tn
spec <- tn/neg;spec
tp <- pos - cumsum(scF);tp
sens <- tp/pos;sens
plot(1 - spec, sens, type = "l", col = "red",
ylab = "Sensitivity", xlab = "1 - Specificity")
abline(c(0,0),c(1,1))
绘制的 roc 曲线如下所示： roc curve
我现在的问题是，如果改变生成数据的顺序（rnorm 和 rpearsonIII），曲线就会反转。
我不知道 rpearsonIII 是什么，所以我将使用实际 类 actuals 以及预测分数制作一个样本随机数据 scores.
set.seed(100)
actuals <- sample(c(TRUE,FALSE), 100, replace = TRUE)
scores <- runif(100,-1,1)
带解释的长版
如果您的数据中的实际值是字符串或因子而不是逻辑值，您需要使用以下方法将它们转换为逻辑值：
actuals <- actuals == "postiveClass"
接下来我们要根据分数对实例进行排序。我们可以使用：
actuals <- actuals[order(scores)]
如果您想跟踪灵敏度和特异性的阈值，可以使用以下方法使它们保持一致：
thresholds <- sort(scores)
现在我们需要了解我们的敏感性和特异性。灵敏度为 TP/P，特异性为 TN/N。得到阳性总数 P 很容易，因为我们的实际值是合乎逻辑的，我们可以只使用 sum(actuals)。相似性，我们可以使用sum(!actuals)得到我们的底片N。
pos <- sum(actuals)
neg <- sum(!actuals)
首先让我们在每个阈值处得到我们的真底片。这很简单，它只是等于或低于每个阈值的 FALSE 值的数量。由于我们的数据按阈值排序，我们可以使用以下方法计算（和特异性）：
tn <- cumsum(!actuals)
spec <- tn/neg
真阳性的数量稍微难一些，因为我们正在寻找 大于 阈值的阳性数量，因此仅 cumsum 是行不通的。然而，由于高于阈值的数量等于低于或等于阈值的总负数，我们可以使用以下方法获得真阳性：
tp <- pos - cumsum(actuals)
sens <- tp/pos
现在我们需要做的就是绘制两者。
plot(1 - spec, sens, type = "l", col = "red",
ylab = "Sensitivity", xlab = "1 - Specificity")
abline(c(0,0),c(1,1))
要获得曲线的 AUC，我们只需计算每个实际值的曲线高度（灵敏度）乘以宽度（1 的差异 - 特异性）。我们已经有了敏感性，我们只需要特异性。 diff 函数会给出我们相邻值的特异性差异，但是，我们需要在开头放置一个 0 值以获得第一列的宽度。
width <- diff(c(0, 1 - sens))
auc <- sum(spec*width)
最小代码版本
actuals <- actuals[order(scores)]
sens <- (sum(actuals) - cumsum(actuals))/sum(actuals)
spec <- cumsum(!actuals)/sum(!actuals)
plot(1 - spec, sens, type = "l", col = "red",
ylab = "Sensitivity", xlab = "1 - Specificity")
abline(c(0,0),c(1,1))
(auc <- sum(spec*diff(c(0, 1 - sens))))