matlab ROC代码

以下是一个简单的MATLAB代码示例，用于计算和绘制ROC曲线：

% 真实标签
trueLabels = [1; 1; 0; 0; 1; 0; 1; 0; 0; 1];

% 预测得分（分类器输出的概率或信号强度）
scores = [0.9; 0.8; 0.7; 0.6; 0.5; 0.4; 0.3; 0.2; 0.1; 0.05];

% 根据不同的阈值计算真正例率（TPR）和假正例率（FPR）
thresholds = unique(scores); % 获取所有不重复的阈值
nThresholds = numel(thresholds);
tpr = zeros(nThresholds, 1); % 初始化真正例率
fpr = zeros(nThresholds, 1); % 初始化假正例率

for i = 1:nThresholds
    threshold = thresholds(i);
    predictedLabels = scores >= threshold; % 根据阈值进行二分类预测
    tp = sum(predictedLabels == 1 & trueLabels == 1); % 计算真正例数量
    fp = sum(predictedLabels == 1 & trueLabels == 0); % 计算假正例数量
    tn = sum(predictedLabels == 0 & trueLabels == 0); % 计算真负例数量
    fn = sum(predictedLabels == 0 & trueLabels == 1); % 计算假负例数量
    tpr(i) = tp / (tp + fn); % 计算真正例率
    fpr(i) = fp / (fp + tn); % 计算假正例率
end

% 绘制ROC曲线
figure;
plot(fpr, tpr, 'b-', 'LineWidth', 2);
hold on;
plot([0, 1], [0, 1], 'r--', 'LineWidth', 1);
xlabel('False Positive Rate');
ylabel('True Positive Rate');
title('ROC Curve');
legend('ROC Curve', 'Random Guessing');
grid on;

在这个示例中，我们首先定义了真实标签（trueLabels）和预测得分（scores），分别表示样本的真实类别和分类器的输出结果。然后，我们根据不同的阈值计算了真正例率（TPR）和假正例率（FPR）。最后，使用plot函数绘制了ROC曲线，其中横轴为FPR，纵轴为TPR。同时，也绘制了一条随机猜测的基准线（红色虚线）。

请注意，这只是一个简单的示例代码，实际应用中可能需要根据具体情况进行适当的修改和调整。