如何在无TP/TN/FP/FN值时用R语言pROC包获取precision

当然可以！你完全不需要依赖其他ROC相关包，利用pROC生成的roc对象里已有的信息，就能手动推导出Precision值。下面一步步来解释怎么做：

核心原理：从敏感性/特异性推导Precision #

先回忆几个关键指标的定义：

• Precision（精确率）：$Precision = \frac{TP}{TP + FP}$，也就是被预测为阳性的样本中，真正属于阳性类的比例。
• Sensitivity（敏感性）：$Sensitivity = \frac{TP}{P}$，其中$P$是真实阳性样本的总数（即你数据里标记为"Good"或"Poor"中的阳性类别数量）。
• Specificity（特异性）：$Specificity = \frac{TN}{N}$，其中$N$是真实阴性样本的总数。

从这几个公式可以推导得出：

• $TP = Sensitivity \times P$
• $FP = N - TN = N - (Specificity \times N) = N \times (1 - Specificity)$

把这两个结果代入Precision的公式，就得到了可以用现有指标计算的表达式：
$Precision = \frac{Sensitivity \times P}{(Sensitivity \times P) + (N \times (1 - Specificity))}$

用R代码实现 #

假设你已经生成了roc1_t5这个roc对象，直接用下面的代码计算每个阈值对应的Precision：

# 从roc对象中提取真实阳性（cases）和真实阴性（controls）的总数量
true_pos_total <- roc1_t5$cases
true_neg_total <- roc1_t5$controls

# 获取所有阈值对应的敏感性和特异性数值
sens_vals <- roc1_t5$sensitivities
spec_vals <- roc1_t5$specificities

# 计算每个阈值对应的Precision
precision_vals <- (sens_vals * true_pos_total) / 
  (sens_vals * true_pos_total + (1 - spec_vals) * true_neg_total)

注意事项 #

• 阳性类确认：要确保roc1_t5$cases对应的是你定义的阳性类别（比如你把"Good"设为阳性，那cases应该是"Good"样本的数量）。你可以通过roc1_t5$levels查看当前roc对象的阳性/阴性类别定义，避免搞反。
• 边界情况处理：当$TP + FP = 0$（即没有样本被预测为阳性）时，Precision是无定义的，此时代码会返回NA。你可以根据需求用ifelse把这些值替换为0或其他合理值。

内容的提问来源于stack exchange，提问作者KingMaker