《表2 二分类逻辑回归计算方法》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《肺癌呼吸标志物筛选及其生物信息学分析》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

注：假阳性率=B/（A+B），特异度=1-假阳性率；真阳性率=D/（C+D），灵敏度=真阳性率

受试者工作特征（receiver operator characteristic，ROC）曲线是以灵敏度为Y轴，1-特异度为X轴的曲线图，是一种评估诊断模型性能的有效方法，特别适用于诊断结果非0即1的二分类问题.其中二分类逻辑回归问题的特异度与灵敏度计算方式如表2所示.通过绘制ROC曲线，可以获得任意阈值对疾病的识别能力，从中选出最优的诊断阈值.一般而言，ROC曲线越靠近左上角，阈值点诊断效果越好.因为ROC曲线的横轴是1-特异度，纵轴是灵敏度，据此可知在该点处的二分类法的特异度和灵敏度最高，也就是说出错率最低.ROC曲线的曲线下面积（area under curve，AUC）是评价模型诊断能力最常用的指标，AUC取值在0～1.0，越接近1.0，诊断模型的整体性能越好[9].