如何在 excel 中创建 roc 曲线（分步）

逻辑回归是一种统计方法，当响应变量是二元时，我们用它来拟合回归模型。为了评估逻辑回归模型对数据集的拟合程度，我们可以查看以下两个指标：

• 敏感性：当结果实际上是积极的时，模型预测观察结果为积极的概率。这也称为“真阳性率”。
• 特异性：当结果实际上为负时，模型预测观察结果为负的概率。这也称为“真负率”。

可视化这两个测量值的一种方法是创建ROC 曲线，它代表“接收器操作特性”曲线。该图显示逻辑回归模型的敏感性和特异性。

以下分步示例演示如何在 Excel 中创建和解释 ROC 曲线。

第 1 步：输入数据

让我们首先输入一些原始数据：

步骤2：计算累计数据

然后我们使用以下公式来计算 Pass 和 Fail 类别的累积值：

• 累计成功值： =SUM($B$3:B3)
• 累计失败值： =SUM($C$3:C3)

然后，我们将这些公式复制并粘贴到 D 列和 E 列的每个单元格中：

步骤3：计算误报率和真报率

接下来，我们将使用以下公式计算假阳性率（FPR）、真阳性率（TPR）和曲线下面积（AUC）：

• FPR： =1-D3/$D$14
• TPR： =1-E3/$E$14
• ASC： =(F3-F4)*G3

然后，我们将这些公式复制并粘贴到 F、G 和 H 列的每个单元格中：

步骤 4：创建 ROC 曲线

为了创建 ROC 曲线，我们将突出显示F3:G14范围内的每个值。

接下来，我们将单击顶部功能区的“插入”选项卡，然后单击“插入散点图（X，Y）”以创建以下路径：

第5步：计算AUC

曲线越接近图的左上角，模型就越能够将数据分类。

从上图中我们可以看到，这个逻辑回归模型在将数据分类方面做得非常好。

为了量化这一点，我们可以计算 AUC（曲线下面积），它告诉我们有多少图位于曲线下。

AUC 越接近 1，模型越好。 AUC 等于 0.5 的模型并不比进行随机分类的模型更好。

为了计算曲线的AUC，我们可以简单地将H列中的所有值相加：

AUC 结果为0.802662 。该值相当高，表明该模型很好地将数据分类为“通过”和“失败”类别。

其他资源

以下教程介绍了如何在 Excel 中创建其他常见绘图：

如何在 Excel 中绘制 CDF
如何在 Excel 中创建生存曲线
如何在 Excel 中创建统计过程控制图