本文共 1344 字，大约阅读时间需要 4 分钟。

ROC曲线（Receiver Operating Characteristic Curve）

1. 简介

ROC曲线是评估二元分类模型（如Logistic回归）性能的重要工具。

• 横轴：假阳性率（False Positive Rate，FPR），即模型预测为正例但实际为负例的比例。
• 纵轴：真阳性率（True Positive Rate，TPR），即模型预测为正例且实际为正例的比例。

通过在不同阈值下的TPR-FPR曲线，可以直观地比较模型性能。ROC曲线越接近左上角，模型性能越好。同时，曲线下面积（Area Under Curve，AUC）也反映了模型的分类能力，AUC越大，模型性能越优秀。AUC为0.5则表示模型性能与随机猜测相当。

2. MATLAB实现

2.1 函数

在MATLAB中，常用以下函数绘制ROC曲线：

[X, Y, T, AUC] = perfcurve(labels, scores, posclass)

rocObj = rocmetrics(Labels, Scores, ClassNames)  rocObj = rocmetrics(Labels, Scores, ClassNames, Name=Value)

2.2 案例

以下是绘制ROC曲线的典型MATLAB代码：

% 关闭所有图形窗口  clc  close all  % 定义数据路径  figureDir = '.\Figures\';  % 加载数据  load fisheriris  X = meas(51:end, 3:4); % 提取测量特征  Y = (strcmp('versicolor', species(51:end))); % 标记正类（versicolor）  % 逻辑回归建模  [B, dev, stats] = glmfit(X, Y, 'binomial'); % 逐步回归模型  scores = glmval(B, X, 'logit'); % 模型预测分数  % 绘制ROC曲线  [X, Y, T, AUC] = perfcurve(Y, scores, true); % true表示Y为正类标记  h(1) = plot(X, Y, 'linewidth', 1.5);  xlabel('假阳性率 (False Positive Rate)');  ylabel('真阳性率 (True Positive Rate)');  title('ROC曲线');  set(gca, 'FontSize', 12, 'FontName', 'Times New Roman');

3. 参考文献