R使用multi_roc绘制多分类SVM的ROC曲线因测试集缺类报错咨询

报错触发的核心逻辑 #

multi_roc函数计算单类ROC时，需要某一类同时存在正例、负例才能通过插值生成连续的曲线坐标。你的测试集中没有任何ok类的真实样本，对应ok_true列全为0，计算ok类的ROC时，所有样本都被标记为负例，最终插值环节仅能得到1个有效点，不满足内置approx()函数要求的“至少2个非NA值才能插值”的条件，直接触发计算错误。
注：这种场景下强行计算ok类的ROC本身没有统计意义——没有真实标签作为参照，你根本无法判断模型输出的ok类预测概率是高是低、是对是错，算出来的曲线没有任何参考价值。

可选处理方案 #

• 方案1：剔除无真实样本类别的相关列，仅评估有真实标签的类别
  这是最符合统计逻辑的处理方式：把测试集中不存在真实样本的ok_pred_svm、ok_true两列从结果数据框中删除，仅保留bad、good两类的预测值和真实标签，再调用multi_roc就可以正常计算，完全规避报错。
  参考代码：

  # 过滤掉无真实样本的ok类维度
  eval_results <- results %>% 
    dplyr::select(-ok_pred_svm, -ok_true)
  # 正常调用函数计算ROC
  multi_roc_svm <- multi_roc(eval_results, force_diag = TRUE)
  

• 方案2：手动绘制分类器的整体多类性能曲线
  如果需要展示三类分类器的整体ROC表现，可以跳过multi_roc的强制逐类计算环节，手动构建坐标绘制：
  1. 对测试集中有真实标签的bad、good两类，分别计算不同概率阈值下的TPR、FPR值
  2. 结合训练集中三类的样本占比（类权重），计算宏平均、微平均的ROC坐标
  3. 用ggplot直接绘制单类ROC + 平均ROC曲线，在图注中标注“ok类因测试集无对应真实样本，未单独输出曲线”即可。

避坑提醒：不要为了绕开报错，手动给全0的ok_true列强行加几个正例标签，这种操作会让ROC指标完全失真，最终的评估结果没有任何可信度。

内容的提问来源于stack exchange，提问作者icedcoffee