受试者工作特征曲线（ROC曲线，receiver operator characteristic curve），最初作为一种分析方法在二战时用于评价雷达性能（鉴别敌方，友方以及噪音），目前广泛应用于医学诊断、生物信息学、数据挖掘和机器学习等研究中。

ROC曲线可用于评价生物标记物（biomarker）的表现以及比较不同打分方法（scoring methods）。因此，ROC曲线是非常重要和常见的统计分析方法[1]。

ROC曲线是以真阳性率TPR（True positive rate）（灵敏度）为纵坐标，假阳性率FPR（False positive rate）（特异度）为横坐标绘制的曲线。主要用来评价一个二值分类器（binary classifier）的优劣。

AUC（area under the curve）为曲线下面的面积，作为评估指标，AUC值越大，说明模型越好。

ROC分析原理：

ROC分析本质上属于机器学习中很常见的二元分类器。很多二元分类器会产生一个概率预测值，而不仅仅是0-1预测值。我们可以使用某个临界点（例如0.5），以划分哪些预测为1，哪些预测为0。得到二元预测值后，可以构建一个混淆矩阵来评价二元分类器的预测效果。所有的训练数据都会落入这个矩阵中，而对角线上的数字代表了预测正确的数目，即True Positive + False Positive。分类器的训练参数和临界点的选择是影响TPR和FPR的因素。

install.packages("pROC")  #下载pROC包

install.packages("ggplot2")  #下载ggplot2包

library(pROC)  #调用pROC包

library(ggplot2)  #调用ggplot2包以利用ggroc函数

#建立曲线

data(aSAH) 

rocobj1 <- roc(aSAH$outcome, aSAH$s100b)

rocobj2 <- roc(aSAH$outcome, aSAH$wfns)

rocobj3 <- roc(aSAH$outcome, aSAH$ndka)

#计算full AUC

auc(rocobj1)

auc(rocobj2)

auc(rocobj3)

#绘制曲线

plot(rocobj1)

#其他参数美化（自定义网络线颜色等等）

plot(rocobj1, 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)

# 计算partial AUC选择关注（sp或se）一定范围的数据

plot(rocobj1, print.auc=TRUE, auc.polygon=TRUE, partial.auc=c(1, 0.8), partial.auc.focus="sp", grid=c(0.1, 0.2), grid.col=c("green", "red"), max.auc.polygon=TRUE, auc.polygon.col="skyblue", print.thres=TRUE, reuse.auc=FALSE)

#比较两个曲线，pROC提供三种方法比较“delong”, “bootstrap”或“venkatraman”

roc.test(rocobj1, rocobj2, method="bootstrap")

#ggroc(功能仍在测试中)绘制Multiple curves

g3 <- ggroc(list(s100b=rocobj, wfns=rocobj2, ndka= rocobj3))

g3

当然可以自定义参数，绘出符合自己需要的图型。附上参考文献中发表的ROC图：