R语言实现根据匹配好的乳腺癌数据BCdata.csv，从给定的569个数据样本中随机抽取400个样本 作为训练集，其余样本作为测试集，建立基于AdaBoost的乳腺癌预测模型，计算预测准确率、感敏度和特异度，并绘制ROC曲线

好的，以下是R语言实现根据匹配好的乳腺癌数据BCdata.csv，从给定的569个数据样本中随机抽取400个样本 作为训练集，其余样本作为测试集，建立基于AdaBoost的乳腺癌预测模型，计算预测准确率、感敏度和特异度，并绘制ROC曲线的代码：

library(adabag)
library(ROCR)

# 读取数据
data <- read.csv("BCdata.csv")

# 将标签转换为0和1
data$diagnosis <- ifelse(data$diagnosis == "M", 1, 0)

# 随机抽取训练集和测试集
set.seed(0)
train_index <- sample(1:nrow(data), 400)
train_data <- data[train_index, -1]
train_label <- data[train_index, 1]
test_data <- data[-train_index, -1]
test_label <- data[-train_index, 1]

# 建立AdaBoost模型
ada <- boosting(diagnosis ~ ., data = data.frame(cbind(train_label, train_data)), 
                boos = TRUE, mfinal = 100, control = rpart.control(maxdepth = 1))

# 预测测试集
pred <- predict.boosting(ada, newdata = test_data)

# 计算准确率
accuracy <- sum(pred$class == test_label) / length(test_label)

# 计算混淆矩阵
cm <- table(test_label, pred$class)

# 计算感敏度和特异度
sensitivity <- cm[2, 2] / (cm[2, 2] + cm[2, 1])
specificity <- cm[1, 1] / (cm[1, 1] + cm[1, 2])

# 计算ROC曲线和AUC
pred_prob <- predict.boosting(ada, newdata = test_data, type = "prob")
pred_roc <- prediction(pred_prob[,2], test_label)
auc <- performance(pred_roc, "auc")@y.values[[1]]

# 绘制ROC曲线
pred_perf <- performance(pred_roc, measure = "tpr", x.measure = "fpr")
plot(pred_perf, colorize = TRUE, print.cutoffs.at = seq(0, 1, 0.1), text.adj = c(-0.2, 1.7))
abline(0, 1, lty = 2, col = "gray")
title(main = "ROC Curve", xlab = "False Positive Rate", ylab = "True Positive Rate")
legend("bottomright", legend = paste("AUC =", round(auc, 2)), border = NA, fill = NA, bty = "n")

这段代码首先使用adabag库中的boosting函数建立AdaBoost模型，然后使用predict.boosting函数对测试集进行预测。接着，计算准确率、混淆矩阵、感敏度、特异度和AUC，并使用ROCR库绘制ROC曲线。