绘制roc曲线求AUC值

绘制roc曲线求AUC值，用以评价分类指标

function auc = plotroc（yxparams）
%plotroc draws the recevier operating characteristic（ROC） curve.
%
%auc = plotroc（training_label training_instance [ libsvm_options -v cv_fold]） 
%  Use cross-validation on training data to get decision values and plot ROC curve.
%
%auc = plotroc（testing_label testing_instance model） 
%  Use the given model to predict testing data and obtain decision values
%  for ROC
%
% Example:
%   
% 	load（‘heart_scale.mat‘）; 
% 	plotroc（heart_scale_label heart_scale_inst‘-v 5‘）;
%
%	[yx] = libsvmread（‘heart_scale‘）;
%   	model = svmtrain（yx）;
% 	plotroc（yxmodel）;
	rand（‘state‘0）; % reset random seed
	if nargin < 2
		help plotroc
		return
	elseif isempty（y） | isempty（x）
		error（‘Input data is empty‘）;
	elseif sum（y == 1） + sum（y == -1） ~= length（y）
		error（‘ROC is only applicable to binary classes with labels 1 -1‘）; % check the trainig_file is binary
	elseif exist（‘params‘） && ~ischar（params）
		model = params;
		[predict_labelmsedeci] = svmpredict（yxmodel）; % the procedure for predicting
		auc = roc_curve（deci*model.Label（1）y）;
	else
		if ~exist（‘params‘）
			params = [];
		end
		[paramfold] = proc_argv（params）; % specify each parameter
		if fold <= 1
			error（‘The number of folds must be greater than 1‘）;
		else	
			[decilabel_y] = get_cv_deci（yxparamfold）; % get the value of decision and label after cross-calidation
			auc = roc_curve（decilabel_y）; % plot ROC curve
		end
	end
end

function [resufold] = proc_argv（params）
	resu=params;
	fold=5;
	if ~isempty（params） && ~isempty（regexp（params‘-v‘））
        [fold_valfold_startfold_end] = regexp（params‘-v\s+\d+‘‘match‘‘start‘‘end‘）;
        if ~isempty（fold_val）
            [temp1fold] = strread（[fold_val{:}]‘%s %u‘）;
            resu（[fold_start:fold_end]） = [];
        else
            error（‘Number of CV folds must be specified by “-v cv_fold“‘）;
        end
    end
end

function [decilabel_y] = get_cv_deci（prob_yprob_xparamnr_fold）
	l=length（prob_y）;
	deci = ones（l1）;
	label_y = ones（l1）;	 
	rand_ind = randperm（l）; 
	for i=1:nr_fold % Cross training : folding
		test_ind=rand_ind（[floor（（i-1）*l/nr_fold）+1:floor（i*l/nr_fold）]‘）;
		train_ind = [1:l]‘;
		train_ind（test_ind） = [];
		model = svmtrain（prob_y（train_ind）prob_x（train_ind:）param）;	   
		[predict_labelmsesubdeci] = svmpredict（prob_y（test_ind）prob_x（test_ind:）model）;
		deci（test_ind） = subdeci.*model.Label（1）;
		label_y（test_ind） = prob_y（test_ind）;
	end
end

function auc = roc_curve（decilabel_y）
	[valind] = sort（deci‘descend‘）;
	roc_y = label_y（ind）;
	stack_x = cumsum（roc_y == -1）/sum（roc_y == -1）;
	stack_y = cumsum（roc_y == 1）/sum（roc_y == 1）;
   
	auc = sum（（stack_x（2:length（roc_y）1）-stack_x（1:length（roc_y）-11））.*stack_y（2:length（roc_y）1））

        %Comment the above lines if using perfcurve of statistics toolbox
        %[stack_xstack_ythreauc]=perfcurve（label_ydeci1）;
         len=length（stack_x）;
         l=1;
         for i=1:10:len
         stack_x1（l）= st

 属性            大小     日期    时间   名称
----------- ---------  ---------- -----  ----

     文件       3217  2013-06-01 16:30  plotroc.m

----------- ---------  ---------- -----  ----

                 3217                    1