R 中多类分类的 ROC 曲线

Question

我有一个包含 6 个类别的数据集，我想绘制多类别分类的 ROC 曲线。Achim Zeileis 给出的第一个答案非常好。

R中使用rpart包的ROC曲线？

但这仅适用于二项式分类。我得到的错误是Error in prediction, Number of classes is not equal to 2。有人做过多类分类吗？

这是我正在尝试做的一个简单的例子。数据 <- read.csv("colors.csv")

假设data$cType值6（或级别）为（红色、绿色、蓝色、黄色、黑色和白色）

有没有办法为这 6 个类别绘制 ROC 曲线？任何超过 2 类的工作示例将不胜感激。

Answer 1

在具有相同要求的同时回答一个老问题 - 我发现 scikit 文档很好地解释了一些方法。

http://scikit-learn.org/stable/auto_examples/model_selection/plot_roc.html

提到的方法包括：

• “二值化”，即使用宏观平均或微观平均将问题转换为二元分类
• 绘制多条 ROC 曲线，每个标签一条
• 一对一

从上面的链接复制示例，该示例说明了使用其库的一对多和微平均：

print(__doc__)

import numpy as np
import matplotlib.pyplot as plt
from itertools import cycle

from sklearn import svm, datasets
from sklearn.metrics import roc_curve, auc
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import label_binarize
from sklearn.multiclass import OneVsRestClassifier
from scipy import interp

# Import some data to play with
iris = datasets.load_iris()
X = iris.data
y = iris.target

# Binarize the output
y = label_binarize(y, classes=[0, 1, 2])
n_classes = y.shape[1]

# Add noisy features to make the problem harder
random_state = np.random.RandomState(0)
n_samples, n_features = X.shape
X = np.c_[X, random_state.randn(n_samples, 200 * n_features)]

# shuffle and split training and test sets
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=.5,
                                                    random_state=0)

# Learn to predict each class against the other
classifier = OneVsRestClassifier(svm.SVC(kernel='linear', probability=True,
                                 random_state=random_state))
y_score = classifier.fit(X_train, y_train).decision_function(X_test)

# Compute ROC curve and ROC area for each class
fpr = dict()
tpr = dict()
roc_auc = dict()
for i in range(n_classes):
    fpr[i], tpr[i], _ = roc_curve(y_test[:, i], y_score[:, i])
    roc_auc[i] = auc(fpr[i], tpr[i])

# Compute micro-average ROC curve and ROC area
fpr["micro"], tpr["micro"], _ = roc_curve(y_test.ravel(), y_score.ravel())
roc_auc["micro"] = auc(fpr["micro"], tpr["micro"])

我实际上正在寻找一个 Javascript 解决方案（使用https://github.com/mljs/performance），所以我还没有使用上面的库来实现它，但它是迄今为止我发现的最具启发性的示例。