大家好,欢迎来到IT知识分享网。
尔云间 一个专门做科研的团队
原创 小果 生信果
小伙伴们,大家好呀,很高兴和大家见面,前段时间应小伙伴出的解读ROC曲线图,小伙伴反应很是积极,这不最近小伙伴对于不同年份的ROC曲线图的分析呼声很高,为此小果特地带来不同年份ROC曲线图的分析,让给大家不再为看不懂不同年份ROC图谱解读而困扰。以下是小果自己在两个不同数据集中做的ROC生存曲线结果图:
在往期的推文中已经给小伙伴介绍过什么是ROC曲线,不知道小伙伴是否还记得呢?为了不让小伙伴记得更清楚,小果在这里给大家简单回顾下:
ROC曲线的全称为Receiver Operating Characteristic Curve,中文翻译过来为受试者工作特征曲线,由于可以反映模型在选取相同阈值或不同阈值时候的模型敏感性和准确性的走向,也将该曲线称为感受性曲线(sensitivity curve)。ROC生存曲线是顾名思义就是使用生存数据进行时间依赖性ROC曲线绘制的图谱。
接下来我们来看图,图1为训练集ROC生存曲线,图2为验证集ROC生存曲线,小伙伴仔细观察图1和图2就可以发现两个图中的
横坐标均为False Positive rate,代表是假阳性率,简称为FPR,也称为特异性;
纵坐标均为True Positive Rate 代表真阳性率,简称TPR, 也称为敏感性;
图中不同颜色的曲线代表不同生存时间段的模型受试曲线,1 year代表的是生存时间为1年,3 years 代表的是生存时间为3年,同理5 years 代表的是生存时间为5年。
通过图1我们可以看到,训练集在1年,3年和5年生存时间下的AUC值分别为0.742,0.749和0.706,大体均在0.7,该值大于0.5小于1,说明在训练集中不同生存时间段内预测模型准确率良好,或者也可以认为该模型诊断价值良好。
在图2我们可以看到,验证集在1年,3年和5年生存时间下的AUC值分别为0.62,0.656和0.662,大体均在0.6,该值大于0.5小于1,说明在验证集中不同生存时间段的预测模型准确率一般,该模型诊断价值一般。
比较图1和图2就可以发现预测训练集中的预测模型准确率优于验证集,但总体上来预测模型准确率均为良好。
小果本次的分享到这就结束了。小伙伴可以根据自己的实际情况进行具体分析,万变不离其宗,相信小伙伴能马上拿捏。
推荐阅读
- 使用R语言完成序列比对及进化树美化
- 看小果演示CIBETSORT、xcell两种常用的R语言包
- 一步到位?R代码构建列线图
- 小果教你三分钟看懂多条线共存的ROC图的R语言画法
- 快速学习如何确定差异分析阈值来筛选差异基因
免责声明:本站所有文章内容,图片,视频等均是来源于用户投稿和互联网及文摘转载整编而成,不代表本站观点,不承担相关法律责任。其著作权各归其原作者或其出版社所有。如发现本站有涉嫌抄袭侵权/违法违规的内容,侵犯到您的权益,请在线联系站长,一经查实,本站将立刻删除。 本文来自网络,若有侵权,请联系删除,如若转载,请注明出处:https://yundeesoft.com/96102.html