科研绘图：如何用

GraphPadPrism

绘制

ROC

曲线

1

什么是

ROC

曲线

①基本概念

受试者工作特征曲线

（

receiver operating characteristic curve

，

简称

ROC

曲线），又称为感受性曲线（

sensitivity 

curve

）。

ROC

曲

线首先是由二战中的电子工程师和雷达工程师发明的，用来侦测战场

上的敌军载具（飞机、船舰），也就是信号检测理论，后面广泛应用

于医学、无线电、生物学、犯罪心理学领域中，而且最近在机器学习

（

machine 

learning

）和数据挖掘（

data 

mining

）领域也得到了很

好的发展。

ROC

曲线是根据一系列不同的二分类方式（分界值或决定

阈），以真阳性率（灵敏度）为纵坐标，假阳性率（

1-

特异度）为横

坐标绘制的曲线，反映了敏感性与特异性之间关系。

②理解

ROC

曲线

针对一个二分类问题，我们将实例分成正类

/

阳性（

positive

）和

负类

/

阴性（

negative

）两种。在实际分类中，会出现四种情况。如果

一个实例是阳性并且也被预测为阳性，即为真阳性（

true 

positive

，

TP

），如果实例为阴性被预测为阳性，称之为假阴性（

false negative

，

FN

）；相应的，如果实例是阴性被预测为阴性，称之为真阴性（

true 

negative

，

TN

），如果实例为阴性被预测为阳性，称之为假阳性

（

false positive

，

FP

）。

ROC

曲线以假阳性率（

False 

positive 

rate

，

FPR

）即

“1

-

特异

度（

1-Specificity

）”

为横坐标，真阳性率（

True 

positive 

rate

，

TPR

）即

“灵敏度（

Sensitivity

）”

为纵坐标，其中：

在

ROC

曲线中，

FPR

越大，预测阳性中实际阴性越多，

TPR

越大，

预测阳性类别中实际阳性越多。理想状态下，

TPR

应该接近

1

，

FPR

应

该接近

0

，因此

ROC

曲线越靠拢（

0

，

1

）点，越偏离

45

度对角线越

好，特异度、灵敏度越大效果越好。

③ROC

曲线的主要作用

在实际应用中，

ROC

曲线主要有以下三种作用：