ARTICLE · 1335438
EXCEL进行ROC分析获取数据中最理想拐点
1. 什么是ROC曲线？
概念：ROC曲线用于评估二分类模型性能。它通过展示模型在不同阈值下的表现，帮助我们了解模型的效果。ROC曲线是通过绘制假阳性率和真阳性率的关系图，来反映不同阈值下分类器的表现。
1. 灵敏性（Sensitivity或True Positive Rate , TPR ）: 也称为真正例率，它反映了分类器识别正样本的能力。TPR越高，说明分类器越能准确预测正类。计算公式为：TPR= TP/( TP+FN)。也可以理解为,在所有真实为正的样本中，分类器预测为正的比例。
2. 1 - 特异性（1 - Specificity 或 False Positive Rate，FPR）：也称为假正例率，它衡量分类器错误地将负样本预测为正样本的比例。FPR=1-Specificity。FPR越低，表示模型对负样本的排除越准确。计算公式为：FPR= FP/(FP+TN)。即：在所有真实为负的样本中，分类器预测为正的比例。
3. 最佳阈值(cut-off value)，将2个分组的预测值从小至大排序，即可划分为一系列阈值。对应每个阈值可计算相应的灵敏度和特异度。距离坐标轴左上角最近的坐标点，可同时满足筛检试验的灵敏度和特异度相对最优，即为最佳阈值
4. AUC（Area Under the Curve，曲线下面积）：AUC表示ROC曲线下的面积，它是一个衡量分类器性能的指标。AUC的值范围为0到1，值越接近1表示模型性能越好，值越接近0.5表示模型的性能接近随机猜测。如果AUC=0.5，表示分类器没有任何辨识能力；如果AUC=1.0，表示分类器完美区分正负样本。
2. ROC计算过程
ROC计算过程是相对还是需要繁琐的，而且无法很好在EXCEL实现，为此，路菲办公开发ROC计算相关函数，
ROC (Data,State)
描述
计算数据Data、State(0/1)状态ROC数据，输出三列，判断数据，1-特异性，灵敏性数据。
YoudenIndex(Data,State,mode)
描述
计算数据Data、State(0/1)状态ROC数据，输出三列，灵敏性数据-（1-特异性）最大值对应判断数据。
Data:测试需要判断数据
State:状态，1为阳性或者正确，0为隐形或者错误
Mode:输出结果，0直接输出最优判断值(默认)，1输出AUC面积，2输出特异性数值，3是灵敏度数值
注意：EXCEL版本>=2021可直接输出结果，否则需要按照老版本的先选择范围，详细参考附录“不同版本EXCEL输出矩阵的做法”
源数据
ROC函数处理后的数据
通过获取数据和坐标点数据后，可以组合绘制三个图形，则可以绘制ROC分析后的结果
