加载示例数据。

加载fisheriris

只使用前两个特性作为预测变量。定义一个二元分类问题，仅使用与品种versicolor和virginica对应的测量值。

pred =量(51:结束,1:2);

定义二进制响应变量。

resp =（1：100）'> 50;% vericcolor = 0, virginica = 1

拟合逻辑回归模型。

mdl = fitglm (pred职责,“分布”，“二”，“链接”，分对数的）;

计算ROC曲线。使用逻辑回归模型的概率估计作为分数。

成绩= mdl.Fitted.Probability;(X, Y, T, AUC) = perfcurve(物种(51:,:),分数,'virginica'）;

灌注存储数组中的阈值T．

显示曲线下的面积。

AUC

AUC = 0.7918

曲线下的面积是0.7918。最大AUC为1，对应一个完美分类器。AUC值越大表示分类器性能越好。

绘制ROC曲线。

情节(X, Y)包含(的假阳性率) ylabel ('真正的阳性率')标题(“ROC的分类Logistic回归”）

加载示例数据。

加载电离层

X是一个351x34的预测值实值矩阵。Y是类标签的字符数组:“b”因为雷达信号不好‘g’良好的雷达返回。

重新格式化响应以适应逻辑回归。使用预测变量3到34。

resp = strcmp (Y,“b”）;% rep = 1，如果Y = 'b'，如果Y = 'g'，则返回0pred = X (: 34);

拟合逻辑回归模型来估计雷达返回差的后验概率。

mdl = fitglm (pred职责,“分布”，“二”，“链接”，分对数的）;score_log = mdl.Fitted.Probability;%概率估计

使用分数的概率计算标准的ROC曲线。

[xlog，ylog，tlog，auclog] = perfcurve（resp，score_log，“真正的”）;

在同一样本数据上训练SVM分类器。标准化数据。

mdlSVM = fitcsvm (pred职责,'标准化',真正的);

计算后验概率(分数)。

mdlsvm = fitposterior（mdlsvm）;[〜，score_svm] = ResubPredict（MDLSVM）;

第二列score_svm包含错误的雷达回波的后验概率。

使用支持向量机模型的分数计算标准ROC曲线。

[Xsvm, Ysvm Tsvm AUCsvm] = perfcurve(职责,score_svm (:, mdlSVM.ClassNames),“真正的”）;

在同一样本数据上拟合朴素贝叶斯分类器。

mdlNB = fitcnb (pred、职责);

计算后验概率(分数)。

[〜，score_nb] = resubPredict（mdlNB）;

使用朴素贝叶斯分类的分数计算标准ROC曲线。

[xnb，ynb，tnb，aucnb] = perfcurve（resp，score_nb（：，mdlnb.classnames），“真正的”）;

在同一个图上绘制ROC曲线。

情节(Xlog Ylog)在情节(Xsvm Ysvm)情节(Xnb Ynb)传说(逻辑回归的，“万博1manbetx支持向量机”，“天真的贝叶斯，“位置”，“最佳”)包含(的假阳性率）;ylabel ('真正的阳性率'）;标题(用于Logistic回归、支持向量机和朴素贝叶斯分类的ROC曲线)举行离开

尽管SVM更高的门槛产生更好的ROC值，回归平常更好地区别于好的坏的雷达回波是。对于朴素贝叶斯ROC曲线是通常比其他两个ROC曲线，其指示样品中的性能比其它两种分类方法更差低。

比较所有三个分类器的曲线下的区域。

AUClog

AUClog = 0.9659

AUCsvm

AUCsvm = 0.9489

AUCnb

AUCnb = 0.9393

Logistic回归的AUC值最高，朴素贝叶斯的AUC值最低。这一结果表明，logistic回归对该样本数据具有更好的样本内平均性能。

这个例子展示了如何使用ROC曲线在分类器中为自定义核函数确定更好的参数值。

rng (1);重复性的％n = 100;%每象限的点数r1 =√兰特(2 * n, 1));%随机半径t1 =[π/ 2 *兰德(n, 1);(π/ 2 *兰德(n - 1) +π)];% Q1和Q3的随机角度X1 = [r1.*cos(t1) r1.*sin(t1)];% Polar-to-Cartesian转换r2 =√兰特(2 * n, 1));t2 =[π/ 2 *兰德(n, 1) +π/ 2;(π/ 2 *兰德(n, 1) -π/ 2)];％随机的角度为Q2和Q4X2 = [R2 * COS（T2）R2 * SIN（T2）。。];

pred = [X1;X2);resp = 1 (4 * n, 1);rep (2*n + 1:end) = -1; / /结束%的标签

函数G = mysigmoid (U, V)斜率伽马和拦截c％sigmoid内核函数γ= 1;c = 1;n = U*V' + c;结束

SVMModel1 = fitcsvm (pred职责,“KernelFunction”，“mysigmoid”，．..'标准化',真正的);SVMModel1 = fitPosterior (SVMModel1);[~, scores1] = resubPredict (SVMModel1);

函数G = mysigmoid2（U，V）斜率伽马和拦截c％sigmoid内核函数伽马= 0.5;c = 1;n = U*V' + c;结束

SVMModel2 = fitcsvm (pred职责,“KernelFunction”，“mysigmoid2”，．..'标准化',真正的);SVMModel2 = fitPosterior (SVMModel2);[~, scores2] = resubPredict (SVMModel2);

~ (x1, y1, auc1] = perfcurve(职责,scores1 (:, 2), 1);[x2, y2, ~, auc2] = perfcurve(职责,scores2 (:, 2), 1);

绘图（X1，Y1）保持在图（x2，y2）保持离开传奇(“γ= 1”，'伽玛= 0.5'，“位置”，“本身”）;Xlabel（的假阳性率）;ylabel ('真正的阳性率'）;标题('通过SVM进行分类的ROC'）;

auc1 auc2

Auc1 = 0.9518 auc2 = 0.9985

加载示例数据。

加载fisheriris

列向量,物种，由三种不同种类的鸢尾花组成:蔷薇花(setosa)、花斑花(versicolor)、小virginia。双矩阵测定由花上的四种测量值组成:萼片长度，萼片宽度，花瓣长度和花瓣宽度。所有测量单位都是厘米。

以萼片长度和宽度作为预测变量，训练分类树。指定类名是一个很好的实践。

模型= fitctree(量(:,1:2),物种,．..“类名”，{'setosa'，“多色的”，'virginica'}）;

根据树预测物种的类标签和分数模型．

[~,分数]= resubPredict(模型);

分数是一个观察(数据矩阵中的一行)属于一个类的后验概率。的列分数对应于由指定的类“类名”．第一列对应setosa，第二列对应versicolor，第三列对应virginica。

给定真实的类别标签，计算观测属于versicolor的预测的ROC曲线物种．也计算最佳工作点和y负子类的值。返回负类的名称。

因为这是一个多字符问题，你不能仅仅是供应(得分:2)作为输入,灌注．这样做不会放弃灌注关于两个负类(setosa和virginica)的分数的足够信息。这个问题不像二元分类问题，在二元分类中，知道一个类的分数就足以决定另一个类的分数。因此，你必须提供灌注这个函数将两个负类的分数考虑在内。其中一个函数是 $$\mathrm{年代}core（：，2）-\mathrm{最大限度}（\mathrm{年代}core（：，1），\mathrm{年代}core（：，3.））$$．

diffscore =分数（：，2） - 最大（评分（：，1），评分（：，3））;[X，Y，T，〜，OPTROCPT，suby，子名] = perfcurve（物种，diffscore，“多色的”）;

X，默认为假阳性率(辐射或1-特异性)和Y，默认为真实阳性率(召回率或灵敏度)。正class的标签是多色的．因为负类没有定义，灌注假设不属于正类的观察结果属于一类。函数接受它作为负类。

OPTROCPT

Optrocpt =1×20.1000 0.8000.

suby

suby =12×200 0.1800 0.1800 0.4800 0.4800 0.5800 0.5800 0.6200 0.8000 0.8000 0.8800 0.8800 0.9200 0.9200 0.9200 0.9600 0.9600 0.9800 0.9800⋮

subnames

subnames =1 x2单元格{' setosa} {' virginica '}

绘制ROC曲线和ROC曲线上的最佳操作点。

绘图（x，y）持有在情节(OPTROCPT (1) OPTROCPT (2),'ro')包含(的假阳性率) ylabel ('真正的阳性率')标题(“分类树分类的ROC曲线”)举行离开

找出与最佳工作点对应的阈值。

T ((X = = OPTROCPT (1) & (Y = = OPTROCPT (2)))

ans = 0.2857

指定virginica为负类，计算并绘制ROC曲线多色的．

同样，你必须提供灌注与一个函数，在负类的得分因素。一个函数来使用的一个例子是 $$\mathrm{年代}core（：，2）-\mathrm{年代}core（：，3.）$$．

Diffscore = score(:，2) - score(:，3);[X, Y, ~, ~, OPTROCPT] = perfcurve(物种,diffscore,“多色的”，．..“negClass”，'virginica'）;OPTROCPT

Optrocpt =1×20.1800 - 0.8200

人物,情节(X, Y)在情节(OPTROCPT (1) OPTROCPT (2),'ro')包含(的假阳性率) ylabel ('真正的阳性率')标题(“分类树分类的ROC曲线”)举行离开

加载示例数据。

加载fisheriris

列向量物种由三个不同品种的花菖蒲：setosa，云芝，弗吉尼亚。双矩阵测定由花上的四种测量值组成:萼片长度，萼片宽度，花瓣长度和花瓣宽度。所有测量单位都是厘米。

只使用前两个特性作为预测变量。定义一个二元问题，只使用对应于花斑和弗吉尼亚物种的测量值。

pred =量(51:结束,1:2);

定义二进制响应变量。

resp =（1：100）'> 50;% vericcolor = 0, virginica = 1

拟合逻辑回归模型。

mdl = fitglm (pred职责,“分布”，“二”，“链接”，分对数的）;

通过垂直平均(VA)和bootstrap抽样计算真阳性率(TPR)的点态置信区间。

[X, Y, T] = perfcurve(物种(51:,:),mdl.Fitted.Probability,．..'virginica'，“NBoot”, 1000,'xvals'[0:0.05:1]);

“NBoot”,1000年将引导副本的数量设置为1000。“XVals”、“所有”提示灌注返回X，Y， 和T值的所有分数，并平均Y值(真阳性率)X值(假阳性率)使用垂直平均。如果没有指定XVals， 然后灌注默认情况下使用阈值平均计算置信边界。

绘制点态置信区间。

errorbar（X，Y（：，1），Y（：，1）-Y（：，2），Y（：，3）-Y（：，1））;xlim ([-0.02, 1.02]);ylim ([-0.02, 1.02]);Xlabel（的假阳性率) ylabel ('真正的阳性率')标题(“具有点态置信界限的ROC曲线”)传说(“PCBwVA”，“位置”，“最佳”）

可能并不总是能够控制假阳性率(FPR, theX在该示例中的值）。所以，你可能要计算的真阳性率（TPR）的门槛平均逐点置信区间。

(X1, Y1, T1) = perfcurve(物种(51:,:),mdl.Fitted.Probability,．..'virginica'，“NBoot”，1000）;

如果你设置“TVals”来“所有”，或者您没有指定“TVals”或'Xvals'， 然后灌注返回X，Y， 和T的值，并计算逐点置信边界X和Y使用阈值平均值。

画出置信限。

图()errorbar (X1 (: 1), Y1(: 1),日元(:1)日元(:,2),日元(:,3)日元(:1));xlim ([-0.02, 1.02]);ylim ([-0.02, 1.02]);Xlabel（的假阳性率) ylabel ('真正的阳性率')标题(“具有点态置信界限的ROC曲线”)传说(“PCBwTA”，“位置”，“最佳”）

指定要固定的阈值并计算ROC曲线。然后画出曲线。

(X1, Y1, T1) = perfcurve(物种(51:,:),mdl.Fitted.Probability,．..'virginica'，“NBoot”, 1000,“TVals”, 0:0.05:1);图()errorbar (X1 (: 1), Y1(: 1),日元(:1)日元(:,2),日元(:,3)日元(:1));xlim ([-0.02, 1.02]);ylim ([-0.02, 1.02]);Xlabel（的假阳性率) ylabel ('真正的阳性率')标题(“具有点态置信界限的ROC曲线”)传说(“PCBwTA”，“位置”，“最佳”）