R语言如何使用logistic 回归结果中的预测值和实际值以及预测概率绘制roc曲线

在R语言中，可以使用glm()函数来进行logistic回归分析。下面是一个使用logistic回归模型预测和绘制ROC曲线的示例代码：

# 加载所需的包
library(pROC)

# 创建一个样本数据集
set.seed(123)
x1 <- rnorm(100)
x2 <- rnorm(100)
y <- factor(sample(c(0,1), 100, replace = TRUE))

# 拟合logistic回归模型
model <- glm(y ~ x1 + x2, family = binomial(link = "logit"))

# 预测
predicted <- predict(model, type = "response")
predicted_class <- ifelse(predicted > 0.5, 1, 0)

# 绘制ROC曲线
roc_obj <- roc(y, predicted)
plot(roc_obj, print.thres = "best")

在上述代码中，我们首先加载了pROC包，该包提供了用于计算和绘制ROC曲线的函数。接下来，我们创建了一个样本数据集，其中包含两个自变量x1和x2，以及一个二元的因变量y。然后，我们使用glm()函数拟合了一个logistic回归模型。

在预测阶段，我们使用predict()函数来计算预测概率。type = "response"参数表示返回概率而不是对数几率。然后，我们将预测概率转换为类别预测，使用0.5作为阈值。

最后，我们使用roc()函数计算ROC曲线的相关信息，并使用plot()函数绘制ROC曲线。print.thres = "best"参数表示在图表上打印最佳阈值。

希望以上信息对您有所帮助