ROC 机器学习
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），是用来验证一个分类器（二分）模型的性能的。一般应用于直观展示敏感性和特异性连续变量的综合指标，如比较多个biomarker或临床参数的诊断表现、比较多个算法的分类效果。
基本原理
ROC曲线工作原理是，向模型中输入已知正负类的一组数据，对比模型对该组数据的预测，衡量这个模型的性能。
术语解读:
1、TP（True Positive,真正, TP）被模型预测为正的正样本（原来为正预测为正）
2、TN（True Negative,真负 , TN）被模型预测为负的负样本（原来为负预测为负）
3、FP（False Positive,假正, FP）被模型预测为正的负样本（原来为负预测为正）
4、FN（False Negative,假负 , FN）被模型预测为负的正样本 （原来为正预测为负）
5、真正类率(True Postive Rate)TPR: TP/(TP+FN),代表分类器预测的正类中实际正实例占所有正实例的比例。Sensitivity
6、假正类率(False Postive Rate)FPR: FP/(FP+TN)，代表分类器预测的负类中预测为正实例(实际为负实例)占所有负实例的比例。1-Specificity
7、真负类率(True Negative Rate)TNR: TN/(FP+TN),代表分类器预测的负类中实际负实例占所有负实例的比例，TNR=1-FPR。Specificity
横轴:假正类率(false postive rate FPR)特异度，预测的负类中正实例占所有负实例的比例；(1-Specificity)
纵轴:真正类率(true postive rate TPR)灵敏度，Sensitivity(正类覆盖率)
8、AUC（Area under rocCurve）:指ROC曲线下的面积,AUC的值越大，说明该模型的性能越好。
数据要求：
二分类模型对输入数据的预测结果，输入数据的实际结果。
图形示例：
该曲线的横坐标为假阳性率（False Positive Rate, FPR），纵坐标为真阳性率（True Positive Rate,TPR）
应用示例1：（于2019年4月发表在Microbiome.，影响因子3.287）
文章使用随机森林算法，基于不同水平的微生物和代谢物构建了5个分类器模型，来区分病例与对照。
a. ROC：采用CAG +血清代谢物模块，对201名被试在发现阶段的重要变量进行重要性排序，得出随机森林分类器。
b. 每个比较中基于随机森林模型的详细解释变量。 柱状图中条形的长度代表平均降低准确度，其表明CAG或代谢物模块对分类的重要性。
c. ROC：使用验证群组中重要的解释变量交叉验证随机森林分类器。
应用示例2：（于2017年12月发表在Eur Urol ，影响因子17.298）
文章结合临床参数和多参数磁共振成像，对前列腺癌患者的肿瘤模型进行进一步的研究，通过建立风险模型来预测未活检男性和活检后男性个体的sPC风险。
ROC曲线分析：MPMRIPI-RADSV1.0（黄色线）、ERSPC-RC3/4（绿色线）、改进后的RC3/4（粉红色线）、ERSPC-RC3/4+MPMRIPI-RADSV1.0（蓝色线）和新的风险模型（橙色线）预测未活检和活检后患者sPC风险。
