• 预测值为正例，记为P（Positive）
• 预测值为反例，记为N（Negative）
• 预测值与真实值相同，记为T（True）
• 预测值与真实值相反，记为F（False）
• TP：预测类别是P（正例），真实类别也是P
• FP：预测类别是P，真实类别是N（反例）
• TN：预测类别是N，真实类别也是N
• FN：预测类别是N，真实类别是P
• 所以，tpr就是真正例，fpr就是假正例
• ROC曲线是显示Classification模型真正率和假正率之间折中的一种图形化方法。
  解读ROC图的一些概念定义:：
  真正（True Positive , TP）被模型预测为正的正样本；
  假负（False Negative , FN）被模型预测为负的正样本；
  假正（False Positive , FP）被模型预测为正的负样本；
  真负（True Negative , TN）被模型预测为负的负样本。
• 真正率（True Positive Rate , TPR）或灵敏度（sensitivity）
• TPR = TP /（TP + FN）  （正样本预测结果数 / 正样本实际数）
• 假负率（False Negative Rate , FNR）
• FNR = FN /（TP + FN） （被预测为负的正样本结果数 / 正样本实际数 ）
• 假正率（False Positive Rate , FPR）
• FPR = FP /（FP + TN） （被预测为正的负样本结果数 /负样本实际数）
• 真负率（True Negative Rate , TNR）或特指度（specificity）
• TNR = TN /（TN + FP） （负样本预测结果数 / 负样本实际数）

然后用ROCR包画ROC曲线，但是ROCR包画图函数功能比较单一

# 设置工作空间

load("./tmp/nnet.model.RData")

library(ROCR)  # 加载ROCR包

nnet.pred <- prediction(predict(nnet.model, testData), testData$class)#括号内是预测分类结果和实际分类结果

performance(nnet.pred ,'auc')@y.values #AUC值,ROC曲线下面积为AUC，用来评价分类器的综合性能，该数值取0-1之间，越大越好。 nnet.perf <- performance(nnet.pred, "tpr", "fpr") 

plot(tree.perf)

接着利用pROC包画出ROC曲线，可以方便在一个图上比较两个分类器，实现两条ROC曲线画在同一个坐标轴内。

library(pROC)
modelroc <- roc(newdata$y,pre) #括号内为实际分类结果和预测分类结果。
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)

library(pROC)

数据使用包自带数据库

roc1 <- plot.roc(aSAH$outcome, aSAH$s100, main="Statistical comparison", percent=TRUE, col="1")

      ROC曲线是根据一系列不同的二分类方式（分界值或决定阈），以真正率（灵敏度）为纵坐标，假正率（1-特异度）为横坐标绘制的曲线。

testobj<- roc.test(roc1,roc2)

legend("bottomright", legend=c("S100B", "NDKA"), col=c("1", "2"), lwd=2)