请问我根据实验结果绘制的这条roc曲线绘制 matlab能代表我的分类器性能好么？还有关于AUC的问题

来源：蜘蛛抓取(WebSpider) 时间：2015-06-17 15:45 标签： roc auc 计算
第三章4-分类器性能评价-_图文_百度文库
两大类热门资源免费畅读
续费一年阅读会员，立省24元！
文档贡献者
评价文档：
第三章4-分类器性能评价-
大小：2.59MB
登录百度文库，专享文档复制特权，财富值每天免费拿！
你可能喜欢matlab中组合分类器的roc曲线和AUC面积_百度知道
matlab中组合分类器的roc曲线和AUC面积
最近有一个问题一直困扰着，查了好多资料也没能解决掉：把数据分成五组分别用svm训练成五个分类器，预测结果用投票的方法得出，但是像这种组合分类器得到的最终预测标签，怎么画roc曲线和求曲线下的面积呢？purfcurve好像只能针对单一分类器吧？组合的结果要怎么办呢？
我有更好的答案
ROC曲线及曲线下面积（AUC）区提供的图形与图1的敏感性，特异性（误报为最后，根据最终逻辑回归曲线中的重要变量验证出一个接收器工作特性曲线（ROC）
其他类似问题
为您推荐：
roc曲线的相关知识
等待您来回答
下载知道APP
随时随地咨询
出门在外也不愁（一）ROC曲线的概念
内容载入中...
（一）ROC曲线的概念
受试者工作特征曲线（receiver operator characteristic curve,
ROC曲线），最初用于评价雷达性能，又称为接收者操作特性曲线。ROC曲线是根据一系列不同的二分类方式（分界值或决定阈），以真阳性率（灵敏度）为纵坐标，假阳性率（1-特异度）为横坐标绘制的曲线。
传统的诊断试验评价方法有一个共同的特点，必须将试验结果分为两类，再进行统计分析。ROC曲线的评价方法与传统的评价方法不同，无须此限制，而是根据实际情况，允许有中间状态，可以把试验结果划分为多个有序分类，如正常、大致正常、可疑、大致异常和异常五个等级再进行统计分析。因此，ROC曲线评价方法适用的范围更为广泛。
（二）ROC曲线的主要作用
1.ROC曲线能很容易地查出任意界限值时的对疾病的识别能力。
2.选择最佳的诊断界限值。ROC曲线越靠近左上角,试验的准确性就越高。最靠近左上角的ROC曲线的点是错误最少的最好阈值，其假阳性和假阴性的总数最少。
3.两种或两种以上不同诊断试验对疾病识别能力的比较。在对同一种疾病的两种或两种以上诊断方法进行比较时，可将各试验的ROC曲线绘制到同一坐标中，以直观地鉴别优劣，靠近左上角的ROC曲线所代表的受试者工作最准确。亦可通过分别计算各个试验的ROC曲线下的面积(AUC)进行比较，哪一种试验的AUC最大，则哪一种试验的诊断价值最佳。
（三）ROC曲线分析的主要步骤
1.ROC曲线绘制。依据专业知识，对疾病组和参照组测定结果进行分析，确定测定值的上下限、组距以及截断点（cut-off
point），按选择的组距间隔列出累积频数分布表，分别计算出所有截断点的敏感性、特异性和假阳性率（1-特异性）。以敏感性为纵坐标代表真阳性率，（1-特异性）为横坐标代表假阳性率，作图绘成ROC曲线。
2.ROC曲线评价统计量计算。ROC曲线下的面积值在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。
3.两种诊断方法的统计学比较。两种诊断方法的比较时，根据不同的试验设计可采用以下两种方法：①当两种诊断方法分别在不同受试者身上进行时，采用成组比较法。②如果两种诊断方法在同一受试者身上进行时，采用配对比较法。
（四）ROC曲线的优点
该方法简单、直观，通过图示可观察分析方法的临床准确性，并可用肉眼作出判断。ROC曲线将灵敏度与特异性以图示方法结合在一起，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。
ROC(Receiver
Characteristic)曲线,用于二分类判别效果的分析与评价.一般自变量为连续变量,因变量为二分类变量.
基本原理是:通过判断点(cutoff
point/cutoff
value)的移动,获得多对灵敏度(sensitivity)和误判率(1-Specificity(特异度)),以灵敏度为纵轴,以误判率为横轴,连接各点绘制曲线,然后计算曲线下的面积,面积越大,判断价值越高.
灵敏度:就是把实际为真值的判断为真值的概率.
特异度:就是把实际为假值的判断为假值的概率.
误判率:就是把实际为假值的判断为真值的概率,其值等于1-特异度.
将绘成的曲线与斜45度的直线对比,若差不多重合,说明自变量对因变量的判断价值很差,若越远离斜45度的直线即曲线下的面积越大,说明自变量对因变量的判断价值越好,即根据自变量可以较为正确的判断因变量.
使用SPSS的操作过程如下:
Graphs/ROC
Curve:Test variable选自变量(连续型变量),state
varibale选因变量(二分类变量)display的选项一般全选.
运行结果:1.ROC曲线,可直观地看到曲线形状.
under the curve:曲线下方的面积,包括面积值,显著性分析,置信区间.
3.Coordinates of the
curve:ROC曲线各点对应的灵敏度和误判率.
一般来说，如不做特殊考虑，一般以约登指数最大，即使（灵敏度＋特异度－1）达到最大所对应的值为最佳诊断界值。
可以把SPSS求出的所有界点的灵敏度和特异度导出为EXCEL格式，然后求出所有界点的（灵敏度＋特异度）的值，找出最大值，其所对应的诊断指标的值即为最佳诊断界值。这是目前国内文献用得最多的求最佳诊断界值的方法。求出最佳诊断界值后，还可以反过来根据该最佳诊断界值求出诊断指标的特异度和灵敏度，以验证该最佳诊断界值的诊断效果。
Spss15.0作图结果：（只能进行ROC曲线下面积AUC的非参数估计，以及找出最佳工作点，使用该软件的感觉有点像matlab，有两个窗口，个人感觉该软件功能很强大，只是软件的下载很费事，要下载相应的算号器。在安装的过程中，使用算号器***。)
1:建立数据表（File&&new&&data）输入数据，数据表的界面如图2，可以在data
view（修改数据的数值）和 variable view（修改数据的类型）之间切换。
2:Analyze&&ROC
Curve&&Test Variable(选择你的测试值，可以有多个，本例为test1、test2、和test3的比较，故选择3个值)，State
Variable(选择测试结果值，本例为diagnosis) Value State（判断正确的取值，本例为1 ）
Disply的选项全选。在Output窗口可以得到如图3所示的曲线。
<input type="hidden" name="content" value=" " />
更多相关【】的文章
期待你精彩评论，请勿灌水！
请自觉遵守互联网相关政策法规
检验资讯栏目列表
全站资讯搜索

我要回帖

更多关于 roc auc 计算 的文章

 

随机推荐