## 95% CI: 0.7679-0.8668 (DeLong) 方法三 library(ROCit) #建立ROC对象 roc2 <- rocit(score = lr_pred,class=df$MPE) #计算AUC和95%置信区间 ciAUC(roc2) ## ## estimated AUC : 0.817352024922118 ## AUC estimation method : empirical ## ## CI of AUC ## confidence level = 95% ## l...
1. 还可以进一步修改,增加AUC和95%CI plot(roc1,col="red",legacy.axes=T,print.auc=TRUE)##显示AUC面积 plot(roc1,col="red",legacy.axes=T,print.auc=TRUE,print.thres=TRUE)##添加截点和95%CI 1. 2. 进一步修改,增加曲线面积 p lot(roc1, print.auc=TRUE, auc.polygon=TRUE, grid=c(0.1, ...
在绘制阈值的CI之前,需要使用ci.thresholds()函数创建对象。 代码语言:javascript 复制 plot(roc1)thr.obj<-ci.thresholds(roc1)plot(thr.obj)# ci.thresholds()函数创建的对象 4.2 绘制特定阈值的CI 代码语言:javascript 复制 roc4<-plot.roc(aSAH$outcome,aSAH$s100b,ci=TRUE,print.auc=TRUE)rocthr<-ci(ro...
roc.formula(formula = outcome ~ c, data = ROC, aur = TRUE, ci = TRUE, levels = c("group1", "group2"), direction = ">") Data: c in 40 controls (outcome group1) > 32 cases (outcome group2). Area under the curve: 0.9242 95% CI: 0.8679-0.9805 (DeLong) 3.利用ggplot2绘图 l...
## 95% CI : (0.8368, 0.8622)## No Information Rate : 0.7806 ## P-Value [Acc > NIR] : < 2.2e-16 ## ## Kappa : 0.6019 ## ## Mcnemar's Test P-Value : < 2.2e-16 ## ## Sensitivity : 0.7982 ## Specificity : 0.8644 ## Pos Pred Value : 0.6233 ## Neg Pred Value : ...
col=c('red','blue','green','yellow','orange'),lty=1) plot(roc1, add = FALSE, col = 'red', legacy.axes = TRUE, main='IRF4', xlab = '1-Specificity', print.auc =TRUE, print.auc.x = 0.5, print.auc.y = 0.5) text(0.4,0.4, '95%CI=0.447-0.991')...
auc(roc1);ci(roc1) #计算AUC值及其95%置信区间 结果显示,AUC为0.6513,95%置信区间为0.6266~0.6759。 plot.roc(roc1, col = c("red"), #设置曲线颜色为红色 print.auc = TRUE, #在图中输出AUC值 print.thres = "best", ...
6.1 分别计算roc1、roc2的AUROC和95%CI auc(roc1);ci(roc1) auc(roc2);ci(roc2) 6.2 比较两条ROC曲线是否有差异 roc.test(roc1,roc2,method ="delong")# 其他两种方法 “bootstrap”或“venkatraman” 6.3 计算partial AUC plot(roc1, print.auc=TRUE,print...
plot(roc3,col="green",add=T)plot(roc4,col="black",add=T)plot(roc5,col="yellow",add=T)round(auc(roc1),3)##AUC[1] 0.96round(ci(roc1),3)##95%CI[1] 0.949 0.960 0.972round(auc(roc2),3)##AUC[1] 0.87round(ci(roc2),3)##95%CI[1] 0.831 0.870 0.908round(auc(roc3),3)...
在pROC包中,我们可以使用ci函数来计算置信区间的95%置信度。 我们可以通过绘制ROC曲线图来可视化我们的分类模型的性能。ROC曲线图可以直观地展现模型在不同阈值下的性能,以及AUC的大小。在图中,横轴表示FPR,纵轴表示TPR,ROC曲线越接近左上角,说明模型性能越好。 八、个人观点和总结 学习并掌握了ROC曲线和AUC在R语言...