用R软件包ROCR画ROC曲线

        ROC曲线可以简单、直观得观察分析方法的临床准确性，并可用肉眼作出判断。ROC以真阳性率（灵敏度FPR）为纵坐标，假阳性率（1-特异度TPR）为横坐标绘制的曲线，可准确反映某分析方法特异性和敏感性的关系，是试验准确性的综合代表。ROC曲线不固定分类界值，允许中间状态存在，利于使用者结合专业知识，权衡漏诊与误诊的影响，选择一更佳截断点作为诊断参考值。提供不同试验之间在共同标尺下的直观的比较，ROC曲线越凸越近左上角表明其诊断价值越大，利于不同指标间的比较。曲线下面积可评价诊断准确性。


1.相关定义及计算公式（用混淆矩阵的形式将分类结果展示出来）

2.加载R包ROCR

Packages > Install > ROCR > Install

确保电脑联网即可下载

3.画ROC曲线

      本身这个软件内嵌的是有参考数据的，你可以运行：ROCR.simple$labels和ROCR.simple$predictions来查看数据内容。

ROC曲线运行命令如下：
data(ROCR.simple)
pred <- prediction(ROCR.simple$predictions, ROCR.simple$labels) #ROCR.simple$predictions为预测标签，ROCR.simple$labels为真实标签
perf <- performance(pred,"tpr","fpr")
plot(perf,colorize=TRUE)

4.ROC曲线评价统计量

       ROC曲线下的面积（area under ROC curve）值在1.0和0.5之间。在AUC>0.5的情况下，AUC越接近于1，说明诊断效果越好。AUC在 0.5～0.7时有较低准确性，AUC在0.7～0.9时有一定准确性，AUC在0.9以上时有较高准确性。AUC=0.5时，说明诊断方法完全不起作用，无诊断价值。AUC<0.5不符合真实情况，在实际中极少出现。

auc值用以下命令提取：

auc <- performance(pred,'auc')
auc=unlist(slot(auc,"y.values"))