如果我们选择一系列的临界点，就会得到一系列的TPR和TNR，将这些值对应的点连接起来，就构成了ROC曲线。ROC曲线可以帮助我们清楚的了解到这个分类器的性能表现，还能方便比较不同分类器的性能。在绘制ROC曲线的时候，习惯上是使用1-TNR作为横坐标，TPR作为纵坐标。下面来看看如何在R语言中绘制ROC曲线。
# 做一个logistic回归，生成概率预测值
model1 <-glm(y~.,data=newdata,family='binomial')
pre <-predict(model1,type='response')
# 将预测概率prob和实际结果y放在一个数据框中
data<-data.frame(prob=pre,obs=newdata$y)
# 按预测概率从低到高排序
data<-data[order(data$prob),]
n <-nrow(data)
tpr<- fpr <-rep(0,n)
# 根据不同的临界值threshold来计算TPR和FPR，之后绘制成图
for(i in1:n){
threshold <-data$prob[i]
tp <-sum(data$prob > threshold &data$obs ==1)
fp <-sum(data$prob > threshold &data$obs ==0)
tn <-sum(data$prob < threshold &data$obs ==0)
fn <-sum(data$prob < threshold &data$obs ==1)
tpr[i]<- tp/(tp+fn)# 真正率
fpr[i]<- fp/(tn+fp)# 假正率
}
plot(fpr,tpr,type='l')
abline(a=0,b=1)
R中也有专门用来绘制ROC曲线的包，例如常见的ROCR包，它不仅可以用来画图，还能计算ROC曲线下面积AUC，以评价分类器的综合性能，该数值取0-1之间，越大越好。
library(ROCR)
pred <- prediction(pre,newdata$y)
performance(pred,'auc')@y.values #AUC值
perf <- performance(pred,'tpr','fpr')
plot(perf)
ROCR包画图函数功能比较单一，笔者比较偏好使用功能更强大的pROC包。它可以方便比较两个分类器，还能自动标注出最优的临界点，图看起来也比较漂亮。
library(pROC)
modelroc <- roc(newdata$y,pre)
plot(modelroc, print.auc=TRUE, auc.polygon=TRUE,grid=c(0.1,0.2),
grid.col=c("green","red"), max.auc.polygon=TRUE,
auc.polygon.col="skyblue", print.thres=TRUE)