加载示例数据。

加载fisheriris

只使用前两个特性作为预测变量。仅使用与物种versicolor和Virginica对应的测量来定义二进制分类问题。

pred = meas（51：末端，1：2）;

定义二进制响应变量。

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

适合逻辑回归模型。

mdl = fitglm (pred职责,“分布”那“二”那“链接”那'logit'）;

计算ROC曲线。使用Logistic回归模型的概率估计作为分数。

得分= mdl.fitted.probability;[x，y，t，auc] = perfcurve（物种（51：结束，:)，得分，“virginica”）;

perfcurve存储数组中的阈值T.．

显示曲线下的面积。

AUC

AUC = 0.7918.

曲线下的区域为0.7918。最大AUC为1，其对应于完美的分类器。较大的AUC值表示更好的分类器性能。

绘制ROC曲线。

情节(X, Y)包含(的假阳性率) ylabel (“真阳性率”） 标题（'通过Logistic回归分类的ROC'）

加载示例数据。

加载电离层

X是一个351x34实值的预测矩阵。y是类标签的字符数组：“b”因为雷达信号不好'G'为了良好的雷达回报。

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”）;％resp = 1，如果y ='b'，或0如果y ='g'pred = 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”那“二”那“链接”那'logit'）;score_log = mdl.Fitted.Probability;％概率估计数

使用分数的概率计算标准的ROC曲线。

[Xlog, Ylog Tlog AUClog] = perfcurve(职责、score_log“真正的”）;

在同一示例数据上列车SVM分类器。标准化数据。

mdlsvm = fitcsvm（pred，Resp，“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包含不良雷达返回的后验概率。

使用SVM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”）;

适用于同一样本数据的野贝雷斯分类器。

mdlnb = fitcnb（pred，chab）;

计算后验概率（分数）。

[〜，score_nb] = ResubPredict（MDLNB）;

使用Naive Bayes分类的分数计算标准ROC曲线。

[Xnb, Ynb, Tnb AUCnb] = perfcurve(职责,score_nb (:, mdlNB.ClassNames),“真正的”）;

在同一图表上绘制ROC曲线。

绘图（Xlog，Ylog）保持在plot（xsvm，ysvm）图（xnb，ynb）图例（逻辑回归的那“金宝app支持向量机”那'天真的贝叶斯'那“位置”那'最好')包含(的假阳性率）;ylabel (“真阳性率”）;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

虽然SVM为更高的阈值产生了更好的ROC值，但Logistic回归通常更好地区分来自优质的雷达返回。天真贝叶斯的ROC曲线通常低于其他两个ROC曲线，这表明比其他两个分类方法更差。

比较所有三个分类器的曲线下面积。

AUClog

AUClog = 0.9659

Aucsvm.

AUCSVM = 0.9489

Aucnb.

AUCnb = 0.9393

Logistic回归具有最高的AUC措施，用于分类和幼稚贝叶斯最低。此结果表明，Logistic回归对该示例数据具有更好的样本平均性能。

此示例显示如何使用ROC曲线确定分类器中自定义内核函数的更好参数值。

RNG（1）;%的再现性n = 100;％每象限点数r1 =√兰特(2 * n, 1));%随机半径t1 = [pi / 2 * rand（n，1）;（PI / 2 * rand（n，1）+ pi）];Q1和Q3的％随机角度x1 = [r1。* cos（t1）r1。* sin（t1）];％北笛卡尔转换R2 = SQRT（RAND（2 * N，1））;t2 = [pi / 2 * rand（n，1）+ pi / 2;（PI / 2 * rand（n，1）-pi / 2）];Q2和Q4的％随机角度x2 = [r2。* cos（t2）r2。* sin（t2）];

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

函数G = mysigmoid (U, V)s形核函数，斜率为gamma，截距为c伽玛= 1;c = -1;g = tanh（gamma * u * v'+ c）;结尾

svmmodel1 = fitcsvm（pred，Resp，“KernelFunction”那“mysigmoid”那......“标准化”,真正的);SVMModel1 = fitPosterior (SVMModel1);[~, scores1] = resubPredict (SVMModel1);

函数g = mysigmoid2（u，v）s形核函数，斜率为gamma，截距为c伽玛= 0.5;c = -1;g = tanh（gamma * u * v'+ c）;结尾

svmmodel2 = fitcsvm（pred，Resp，“KernelFunction”那“mysigmoid2”那......“标准化”,真正的);SVMModel2 = fitPosterior (SVMModel2);[~, scores2] = resubPredict (SVMModel2);

[x1，y1，〜，auc1] = perfcurve（resp，scors1（:,2），1）;[X2，Y2，〜，AUC2] = perfcurve（RESP，Scors2（：，2），1）;

情节(x1, y1)在绘图（x2，y2）持有离开传奇（'伽玛= 1'那“γ= 0.5”那“位置”那'se'）;包含(的假阳性率）;ylabel (“真阳性率”）;标题（“ROC用于SVM分类”）;

AUC1 AUC2

AUC1 = 0.9518 AUC2 = 0.9985

加载示例数据。

加载fisheriris

栏载体，物种，包括三种不同种类的鸢尾花：setosa，versicolor，virginica。双矩阵量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。

型号= FITCTREE（MEAS（：，1：2），物种，......'classnames',{“setosa”那“多色的”那“virginica”}）;

基于树预测类的类标签和分数模型．

[〜，得分] = 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。的列分数对应于指定的类'classnames'．因此，第一列对应于Setosa，第二列对应于versicolor，第三列对应于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．还计算最佳操作点和y负子类的值。返回负类的名称。

因为这是一个多阶层的问题，你不能仅仅提供得分（:,2）作为输入perfcurve．这样做不会给perfcurve有关两个负类（Setosa和Virginica）的分数的足够信息。这个问题与二进制分类问题不同，在其中知道一个类的得分足以确定其他类的分数。因此，您必须提供perfcurve在两个负类的分数中的功能中的功能。一个这样的功能是 $$\mathrm{S.}C\mathrm{O.}\mathrm{R.}\mathrm{E.}（：那2）-\mathrm{最大限度}（\mathrm{S.}C\mathrm{O.}\mathrm{R.}\mathrm{E.}（：那1）那\mathrm{S.}C\mathrm{O.}\mathrm{R.}\mathrm{E.}（：那3.））$$．

DiffScore =得分（:,2） -  Max（得分（：，1），得分（:,3））;[x，y，t，〜，optrocpt，suby，subnames] = perfcurve（种类，差错，“多色的”）;

X，默认情况下，是假阳性率（辐射或1特异性）和y，默认情况下，是真正的阳性率（召回或灵敏度）。正类标签是多色的．因为没有定义负类，perfcurve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 =1x2细胞{'setosa'} {'virginica'}

绘制ROC曲线和ROC曲线上的最佳工作点。

情节(X, Y)在Plot（Optrocpt（1），Optrocpt（2），“罗”)包含(的假阳性率) ylabel (“真阳性率”） 标题（“分类树分类的ROC曲线”)举行离开

找到对应于最佳操作点的阈值。

T（（x == Optrocpt（1））＆（y == Optrocpt（2））））

ans = 0.2857.

指定弗吉纳斯作为负类并计算和绘制ROC曲线多色的．

再一次，你必须提供perfcurve在负类的分数中具有函数的功能。使用函数的示例是 $$\mathrm{S.}C\mathrm{O.}\mathrm{R.}\mathrm{E.}（：那2）-\mathrm{S.}C\mathrm{O.}\mathrm{R.}\mathrm{E.}（：那3.）$$．

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

OPTROCPT =1×20.1800 - 0.8200

人物,情节(X, Y)在Plot（Optrocpt（1），Optrocpt（2），“罗”)包含(的假阳性率) ylabel (“真阳性率”） 标题（“分类树分类的ROC曲线”)举行离开

加载示例数据。

加载fisheriris

列向量物种由三种不同物种的虹膜花组成：setosa，versicolor，virginica。双矩阵量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 = meas（51：末端，1：2）;

定义二进制响应变量。

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

适合逻辑回归模型。

mdl = fitglm (pred职责,“分布”那“二”那“链接”那'logit'）;

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”那'nboot'，1000，“XVals”，[0：0.05：1]）;

'nboot'，1000将引导副本的数量设置为1000。'xvals'，'全部'提示perfcurve返回X那y， 和T.所有分数的值，以及平均值y值（真正的阳性率）根本X值(假阳性率)使用垂直平均。如果您未指定xvals.,然后perfcurve默认使用阈值计算置信度界限。

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]);包含(的假阳性率) ylabel (“真阳性率”） 标题（“具有点态置信界限的ROC曲线”） 传奇（'pcbwva'那“位置”那'最好'）

可能并不总是能够控制假阳性率(FPR, theX在这个例子中的价值）。因此，您可能希望通过阈值平均来计算真正的阳性率（TPR）上的点置信区间。

[x1，y1，t1] = perfcurve（物种（51：结束，:)，mdl.fitted.probability，......“virginica”那'nboot'，1000）;

如果你设置了'tvals'来'全部'，或者您没有指定'tvals'或'xvals',然后perfcurve回报X那y， 和T.的值，并计算逐点置信边界X和y使用阈值平均。

绘制置信度界限。

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]);包含(的假阳性率) ylabel (“真阳性率”） 标题（“具有点态置信界限的ROC曲线”） 传奇（'pcbwta'那“位置”那'最好'）

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：结束，:)，mdl.fitted.probability，......“virginica”那'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]);包含(的假阳性率) ylabel (“真阳性率”） 标题（“具有点态置信界限的ROC曲线”） 传奇（'pcbwta'那“位置”那'最好'）