matlab绘制多分类roc曲线

在MATLAB中，可以使用`perfcurve`函数来绘制多分类的ROC曲线。ROC曲线是一种用于评估分类器性能的常用工具，它展示了分类器在不同阈值下的真阳性率（True Positive Rate）和假阳性率（False Positive Rate）之间的关系。

要绘制多分类的ROC曲线，首先需要准备好分类器的预测结果和真实标签。假设有N个类别，每个类别都有一个预测得分向量和一个真实标签向量。可以使用`perfcurve`函数来计算每个类别的真阳性率和假阳性率，并绘制ROC曲线。

下面是一个示例代码，展示了如何使用`perfcurve`函数来绘制多分类的ROC曲线：

% 假设有N个类别，每个类别都有一个预测得分向量和一个真实标签向量
N = 3;
scores = cell(N, 1);
labels = cell(N, 1);

% 假设有100个样本
numSamples = 100;

% 生成随机的预测得分和真实标签
for i = 1:N
    scores{i} = rand(numSamples, 1);
    labels{i} = randi([0, 1], numSamples, 1);
end

% 计算每个类别的真阳性率和假阳性率
[X, Y, T, AUC] = perfcurve(labels, scores, 1);

% 绘制ROC曲线
plot(X, Y);
xlabel('False Positive Rate');
ylabel('True Positive Rate');
title('Multi-Class ROC Curve');
legend('Class 1 vs Rest', 'Class 2 vs Rest', 'Class 3 vs Rest');

在上述示例代码中，`scores`是一个大小为N的cell数组，每个元素是一个预测得分向量。`labels`也是一个大小为N的cell数组，每个元素是一个真实标签向量。`perfcurve`函数会计算每个类别的真阳性率和假阳性率，并返回绘制ROC曲线所需的数据。

注意，上述示例代码中使用了随机生成的预测得分和真实标签作为示例数据，实际应用中需要根据具体情况替换为实际的预测结果和真实标签。