兩個知名R包產生的矛盾嗨！大家好，我是一棵樹，這是我第一次在解螺旋發文，還是蠻激動的。下面就開始吧！今天的主題是：ROC分析時一定要告訴R分析誰
用到的軟件是：R語言
用到的R包是：pROC和ROCit1. 安裝R包

install.packages('pROC')
install.packages('ROCit')

2. 構建數據我們先構建2個連續變量score1和score2，1個2分類變量class。class變量有2個數值0和1，0代表陰性結果，1代表陽性結果。

score1=c(0.830410619,0.455829518,0.058478492,0.729325234,0.831480755,0.134660431,0.695320049,0.662420877,0.528904992,0.371757106,0.87803265,0.705919705,0.740182936,0.060545256,0.891066853,0.568020037,0.379067286)
score2=c(0.376703255,0.694968207,0.066650344,0.261298118,0.079832816,0.005758134,0.433320986,0.211177625,0.68847034,0.085216767,0.452439458,0.054711128,0.719909102,0.653851262,0.500626397,0.380789783,0.430002115)
class=c(1,1,1,1,1,1,1,0,0,0,0,0,0,0,0,0,0)

3. 常規的ROC分析現在，我們來做score1和class的ROC分析，看一下他們的AUC。使用pROC包

pROC::roc(predictor?=?score1,response?=?class)##?Setting?levels:?control?=?0,?case?=?1##?Setting?direction:?controls?####?Call:##?roc.default(response?=?class,?predictor?=?score1)####?Data:?score1?in?10?controls?(class?0)?##?Area?under?the?curve:?0.4714

使用ROCit包

ROCit::rocit(score?=?score1,class?=?class)$AUC##?[1]?0.4714286

兩個包的AUC結果一致，都是0.4714。這種做法也是我們常規的做法。4. 不一致的ROC分析結果奇怪的事情馬上就要發生了！
現在，我們再對score2和class做ROC分析，看一下他們的AUC。使用pROC包

pROC::roc(predictor?=?score2,response?=?class)##?Setting?levels:?control?=?0,?case?=?1##?Setting?direction:?controls?>?cases####?Call:##?roc.default(response?=?class,?predictor?=?score2)####?Data:?score2?in?10?controls?(class?0)?>?7?cases?(class?1).##?Area?under?the?curve:?0.6857

使用ROCit包

ROCit::rocit(score?=?score2,class?=?class)$AUC##?[1]?0.3142857

這個時候pROC包計算的AUC是0.6857，而ROCit包計算的結果是0.3142，兩個差別很大啊。這是咋回事？相同的命令，換個數據結果就不一樣了？5. 為什么2個包的結果會矛盾我們再回頭看，使用pROC包分析score1和class時，有這樣一段提示

##?Setting?direction:?controls?

同樣使用pROC包分析score2和class時，也有這樣一段提示

##?Setting?direction:?controls?>?cases

同樣的class，兩次計算的方向竟然不同，第一次是controls < cases，而第二次是controls > cases，這個是什么意思呢？controls < cases：表示controls組的中位數小于cases組的中位數，pROC包對cases組進行ROC分析，計算cases組的AUC。
controls > cases：表示controls組的中位數大于cases組的中位數，pROC包對controls組進行ROC分析，計算controls組的AUC。

我們先來看一下score1在class兩組的中位數。

c(controls=median(score1[class==0]),
?cases=median(score1[class==1]))##??controls?????cases##?0.6152205?0.6953200

再來看一下score2在class兩組的中位數。

c(controls=median(score2[class==0]),
?cases=median(score2[class==1]))##??controls?????cases##?0.4412208?0.2612981

謎底終于揭開：pROC包在自動進行ROC分析的時候，是根據兩組中位數的大小來決定分析哪組的，誰的中位數大，就分析誰，就計算誰的AUC！6. 帶來的問題這樣會帶來很嚴重的問題！
很多時候，我們進行ROC分析時，默認都是去計算class=1那組，也就是陽性組的AUC，而class=0，被我們默認當成了陰性組，也就是參考組。在ROCit包中就是這樣的，但是在大名鼎鼎的pROC包中，ROC分析的依據卻是中位數的大小。這一點千萬要注意。
如果你用pROC包做ROC分析，那么接下來的AUC和cutoff value都是要注意的，如果你不事先設置參考，得到的結果可能就搞不清楚是陰性組的AUC還是陽性組的AUC，僅僅是中位數高的那組的AUC，而你默認都是當成陽性組的AUC。千萬要注意這一點！7. 告訴R去ROC誰在pROC::roc()函數中，有2個參數是需要我們設置的levels和direction，levels表示結局變量中的數值水平，direction的值是大于號>或小于號
現在我們給levels賦值0和1，direction賦值小于號

pROC::roc(predictor?=?score2,response?=?class,
?????????levels?=?c(0,1),
?????????direction=')####?Call:##?roc.default(response?=?class,?predictor?=?score2,?levels?=?c(0,?????1),?direction?=?"####?Data:?score2?in?10?controls?(class?0)?##?Area?under?the?curve:?0.3143

這個時候得到結果0.314，和ROCit包的結果一致了。

在ROCit::rocit()函數中，我們通過給negref參數賦值0，設置ROC分析的陰性參考。

ROCit::rocit(score?=?score2,class?=?class,1
????????????negref?=?0)$AUC##?[1]?0.3142857

8.總結ROC分析時一定要設置結局的陰性參考！
ROC分析函數，不提供設置參考的參數，可以考慮丟棄了！

快，關注這個公眾號，一起漲姿勢～

總結

以上是生活随笔為你收集整理的r roc函数_一棵树专栏 | ROC分析时一定要告诉R分析谁的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。