R语言随机森林多分类：替代roc函数的命令及代码修改方案

你的推测完全正确，ROCR包中的prediction和roc函数仅支持二分类任务，多分类场景需要改用支持多分类的工具包或方法，以下是两种实用方案：

方案1：用pROC包实现多分类ROC分析 #

pROC包原生支持多分类的ROC计算，常用**一对多（One-vs-All）**策略，即针对每个类别，将其视为正类、其余所有类别视为负类，分别计算ROC曲线和AUC值。

代码示例 #

# 安装并加载所需包
install.packages(c("pROC", "randomForest"))
library(pROC)
library(randomForest)

# 确保因变量为因子类型（多分类模型要求）
mydata$Severity <- as.factor(mydata$Severity)

# 构建多分类随机森林模型
rf_model <- randomForest(Severity ~ ., data = mydata, ntree = 500)

# 获取每个样本属于各类别的预测概率
pred_probs <- predict(rf_model, mydata, type = "prob")

# 针对每个类别计算ROC
roc_list <- lapply(colnames(pred_probs), function(target_class) {
  # 构造二分类响应变量：当前类别为1，其他为0
  binary_response <- as.integer(mydata$Severity == target_class)
  # 计算ROC
  roc(binary_response, pred_probs[, target_class])
})

# 给ROC列表命名，对应各个类别
names(roc_list) <- colnames(pred_probs)

# 查看每个类别的AUC值
sapply(roc_list, function(x) x$auc)

# 绘制指定类别的ROC曲线（示例：第一个类别）
plot(roc_list[[1]], main = paste("ROC Curve -", names(roc_list)[1]))

方案2：用caret包一站式完成多分类模型评估 #

caret包集成了多分类模型的训练与评估，可直接输出包含AUC在内的多分类性能指标，无需手动构造二分类响应。

代码示例 #

# 安装并加载所需包
install.packages(c("caret", "randomForest"))
library(caret)
library(randomForest)

# 确保因变量为因子类型
mydata$Severity <- as.factor(mydata$Severity)

# 设置交叉验证与多分类评估参数
train_ctrl <- trainControl(
  method = "cv",  # 采用交叉验证
  classProbs = TRUE,  # 允许输出类别概率
  summaryFunction = multiClassSummary  # 指定多分类评估函数
)

# 训练随机森林模型
rf_caret <- train(
  Severity ~ ., 
  data = mydata,
  method = "rf",
  trControl = train_ctrl,
  ntree = 500
)

# 查看多分类评估结果（含各分类的AUC、准确率等）
print(rf_caret$results)

关键注意事项 #

• 无论哪种方案，都要确保因变量Severity是因子类型，否则多分类模型和评估都会出错。
• 一对多策略是多分类ROC分析的标准做法，若需要更精细的一对一（One-vs-One）比较，可参考pROC包的multiclass.roc函数文档。

内容的提问来源于stack exchange，提问作者Seyed Amir Mohammad Hosseini