注意:输入数据格式(行、列)必需与右侧示例一致,制表符分割
1,数据来自excel,直接拷贝待绘图数据,粘贴到输入数据框即可
2,数据来自txt,各列需要制表符(tab键)分割,直接拷贝数据,粘贴到输入数据框即可
必需输入
绘图数据:


可选输入: 图片宽(width):
图片高(height):
轴说明大小:
term文字大小:

颜色
颜色1:
颜色2:
颜色3:
颜色4:
颜色5:
颜色6:

是否smooth
smooth
不smooth

X轴
1-Specificity
Specificity

显示百分比
非百分比
百分比

此图将消耗 0 微币

ROC曲线

简介
ROC的全名叫做Receiver Operating Characteristic,其主要分析工具是一个画在二维平面上的曲线--ROC curve。平面的横坐标是false positive rate(FPR),纵坐标是true positive rate(TPR)。对某个分类器而言,我们可以根据其在测试样本上的表现得到一个TPR和FPR点对。这样,此分类器就可以映射成ROC平面上的一个点。调整这个分类器分类时候使用的阈值,我们就可以得到一个经过(0, 0),(1, 1)的曲线,这就是此分类器的ROC曲线。一般情况下,这个曲线都应该处于(0, 0)和(1, 1)连线的上方。因为(0, 0)和(1, 1)连线形成的ROC曲线实际上代表的是一个随机分类器。如果很不幸,你得到一个位于此直线下方的分类器的话,一个直观的补救办法就是把所有的预测结果反向,即:分类器输出结果为正类,则最终分类的结果为负类,反之,则为正类。虽然,用ROC curve来表示分类器的performance很直观好用。可是,人们总是希望能有一个数值来标志分类器的好坏。于是Area Under roc Curve(AUC)就出现了。顾名思义,AUC的值就是处于ROC curve下方的那部分面积的大小。通常,AUC的值介于0.5到1.0之间,较大的AUC代表了较好的performance。参考:https://www.cnblogs.com/gatherstars/p/6084696.html
数据说明:
第一列是样品,第二列是分类(2分类);第三列及以后是某基因的表达值。调用R包:pROC
生物医学常见应用举例: 参考:pROC: an open-source package for R and S+ to analyze and compare ROC curves. Fig2
输入 示例数据
输出

常见问题
  • 1,如何作图?
  • 1,准备作图数据;2,用excel打开数据,调整为示例格式;3,将调整后的数据粘贴到输入框;4,选择参数;5,提交出图
  • 2,为什么不出图?
  • 程序对输入格式有严格要求。请务必仔细查看右侧说明及示例数据。常见错误包括:非制表符分割,数据列数不对,没有带title等
  • 3,导出图片?
  • 默认提供3种类型图片供下载:pdf, svg和png(300 dpi),部分未提供的,请在生成图片上点击鼠标右键,选择另存为(直接是svg格式文件,文件后缀不用改)。推荐使用chrome浏览器
  • 4,编辑图片,以满足杂志需求?
  • 默认Arial字体,8 x 6(或6 x 6)大小(inch)。下载Inkscape软件(最兼容,推荐,inkscape常用技巧),打开另存的svg文件,修改布局,文字等后,导出pdf或其他格式图片
  • 5,如何引用
  • 本站内容未公开发表paper,如需引用,请使用如下格式,或者原生R包:
    Heatmap was plotted by http://www.bioinformatics.com.cn, an online platform for data analysis and visualization.