在不使用任何软件包的情况下，在R中绘制ROC曲线

您好，我是一个非常新的编程在R和我有troble绘制ROC曲线没有使用任何软件包

我使用以下方法生成数据：

d=rpearsonIII(100,0.5,360,20)
nd=rnorm(100,450,25)

我需要一个nd值为400的向量，所以我做了：

spec = (cumsum(nd[nd>400])/sum(nd))*100
sens = (cumsum(d[d<400])/sum(nd))*100

但情节和我想象的完全不同

编辑： 感谢给出的建议，我的代码现在看起来如下：

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))

sc2=c（rnorm（50450,25），rpearsonIII（50,0.5360,20））
scF=sc2<395
阈值我不知道什么是
rpearsonIII
，所以我只想用实际类
实际值
以及预测的分数

做一个样本随机数据

set.seed(100)
actuals <- sample(c(TRUE,FALSE), 100, replace = TRUE)
scores <- runif(100,-1,1)

首先，让我们得到每个阈值的真实负片。这很简单，它只是在每个阈值处或以下的

FALSE

值的数量。由于我们的数据是按阈值排序的，因此我们可以使用以下公式计算（以及特异性）：

现在我们需要做的就是画出这两个

plot(1 - spec, sens, type = "l", col = "red", 
     ylab = "Sensitivity", xlab = "1 - Specificity")
abline(c(0,0),c(1,1))

为了得到曲线的AUC，我们只需要计算曲线高度（灵敏度）乘以每个实际值的宽度（1-特异性差异）。我们已经有了敏感性，我们只需要特异性。

diff

函数将为我们提供相邻特异性值的差异，但是，我们需要在开始处输入一个

0

值，以获得第一列的宽度

width <- diff(c(0, 1 - sens))
auc <- sum(spec*width)

---

width规格和传感器的长度不同。他们必须和你一样使用plot（）。你的数据的分数是多少？要绘制和ROC曲线，您需要实际的类别（这似乎是您的
scF
值）以及您为每个元素提供的预测类别的分数。我的数据的分数是我的
sc2
值。也许我误解了分数是什么……你可能想访问了解更多的解释，但对于ROC曲线，你需要两样东西，“真值”（
实际值）
）和你用来预测真值（
分数
）的某种数值预测器，通常是分类器的输出。ROC是预测值与事实相符程度的可视化。例如，您可以使用身高作为“未成年人”（年龄>=18岁）的预测值。在您的代码中，由于
scF
是直接从
sc2
派生出来的，因此使用年龄来预测“是次要的”。您的ROC将是完美的。非常感谢您的建议@Barker！最后一个问题，在使用此处描述的方法获得ROC曲线后，您能否给出如何计算曲线下面积（AUC）的建议？我使用PearsonDS软件包获得Rpearsonii，因为我需要生成具有伽马分布和位置参数的数据。所以我使用的变量“d”有伽马分布的数据，“nd”有正态分布。我的目标是使用这些分布生成的数据绘制roc曲线
actuals <- actuals[order(scores)]

thresholds <- sort(scores)

pos <- sum(actuals)
neg <- sum(!actuals)

tn <- cumsum(!actuals)
spec <- tn/neg

tp <- pos - cumsum(actuals)
sens <- tp/pos

plot(1 - spec, sens, type = "l", col = "red", 
     ylab = "Sensitivity", xlab = "1 - Specificity")
abline(c(0,0),c(1,1))

width <- diff(c(0, 1 - sens))
auc <- sum(spec*width)

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))))