R语言pROC包同图绘制3分类multi.roc对象多条ROC曲线

三分类场景下pROC包的multiclass.roc对象仅存储成对二分类（OvO）的AUC计算结果，不直接提供可绘制的全局ROC坐标，之前三类报错的核心原因都是混淆了二分类ROC和多分类ROC的输入逻辑。以下方案采用多分类领域通用的一对其余（OvR） 策略计算每个模型的宏平均ROC，结果可解释性强，不会出现AUC数值偏差或对象提取错误。

前置准备 #

• 需提前安装依赖包，执行命令：install.packages(c("pROC","ggplot2","dplyr","tidyr"))
• 提前整理好两类输入数据，无需使用之前生成的multiclass.roc对象：
  • 测试集真实标签向量test_y：因子型，水平顺序与因变量Country完全一致，为c("法国","荷兰","西班牙")
  • 预测概率列表model_preds：命名列表，长度为待对比的模型总数，列表名对应模型名称（如"LDA"、"梯度提升树"等）；每个列表元素为三列数据框，列名与test_y的三个水平完全对应，存储测试集样本属于三个类别的预测概率。

可复现代码 #

步骤1：定义多分类ROC计算函数 #

该函数自动逐类计算二分类ROC，通过插值对齐FPR轴后生成宏平均ROC坐标，同时计算宏AUC，避免手动逐类计算的语法错误和标签错位问题。

library(pROC)
library(ggplot2)
library(dplyr)
library(tidyr)

calc_ovr_roc <- function(model_name, pred_df, true_label) {
  cls_levels <- levels(true_label)
  cls_roc <- list()
  cls_auc <- c()
  
  # 逐类计算单类ROC
  for (cls in cls_levels) {
    binary_label <- as.factor(ifelse(true_label == cls, 1, 0))
    roc_res <- roc(response = binary_label, predictor = pred_df[[cls]], quiet = T)
    cls_roc[[cls]] <- data.frame(
      fpr = 1 - roc_res$specificities,
      tpr = roc_res$sensitivities
    )
    cls_auc[cls] <- as.numeric(auc(roc_res))
  }
  
  # 插值生成统一FPR网格，计算平均TPR
  fpr_seq <- seq(0, 1, length.out = 200)
  interp_tpr <- sapply(cls_roc, function(x) approx(x$fpr, x$tpr, xout = fpr_seq)$y)
  mean_tpr <- rowMeans(interp_tpr)
  
  # 返回标准化ROC结果
  data.frame(
    model = model_name,
    fpr = fpr_seq,
    tpr = mean_tpr,
    macro_auc = round(mean(cls_auc), 3)
  )
}

步骤2：批量计算所有模型的ROC结果 #

# 遍历所有模型批量计算
roc_all <- lapply(names(model_preds), function(m) {
  calc_ovr_roc(m, model_preds[[m]], test_y)
}) %>% bind_rows()

# 生成带AUC值的图例标签
legend_labs <- roc_all %>%
  group_by(model) %>%
  summarise(auc = first(macro_auc), .groups = "drop") %>%
  mutate(lab = paste0(model, " (AUC = ", auc, ")")) %>%
  pull(lab, name = model)

步骤3：同画布绘制所有模型ROC曲线 #

ggplot(roc_all, aes(x = fpr, y = tpr, color = model)) +
  geom_line(linewidth = 0.8) +
  geom_abline(slope = 1, intercept = 0, linetype = "dashed", color = "gray50") +
  scale_x_continuous(name = "假阳性率 (1 - 特异度)", limits = c(0,1), breaks = seq(0,1,0.2)) +
  scale_y_continuous(name = "真阳性率 (灵敏度)", limits = c(0,1), breaks = seq(0,1,0.2)) +
  scale_color_discrete(name = "分类模型", labels = legend_labs) +
  theme_bw() +
  theme(
    panel.grid = element_blank(),
    legend.position = "right"
  )

之前三类报错的对应原因 #

• 逐类叠加绘图AUC值异常：手动计算时大概率出现概率列与标签水平错位、正例/负例方向颠倒的问题，上述函数强制对齐列名与因子水平，避免匹配错误
• 直接调用roc()传入三分类值报错：pROC::roc()原生仅支持二分类响应变量，直接传入三分类标签必然触发水平数超限错误
• 提取multiclass.roc子对象提示无有效数据：multiclass.roc存储的是3组成对二分类（法国vs荷兰、法国vs西班牙、荷兰vs西班牙）的ROC结果，并非全局平均ROC，且部分版本pROC不会完整存储ROC坐标，直接提取会返回空值

内容的提问来源于stack exchange，提问作者Alice Hobbs