用前必读
1,输入数据格式(标题、行、列)必需与示例一致,请仔细看右侧说明和示例,标能缺,不能有中文,特殊符号等
2,推荐使用excel调整数据(wps不行),然后拷贝粘贴到输入框
3,修改文字字体,图例位置,处理文字截断等图片编辑,请参考inkscape实操
4,更多干货,请右下扫码,关注”微生信“公众号或加群讨论!
注意:1,不要用微信打开,用浏览器,推荐edge或chrome!
2,没有预览就是作图失败,请检查输入数据格式!
3,智能客服  人工客服  基因名转换  在线svg编辑器  FC,P转换  常用配色  影响因子查询

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:
颜色7: ,颜色8:
颜色9: ,颜色10:

是否smooth
smooth
不smooth

X轴
1-Specificity
Specificity

显示百分比
非百分比
百分比

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

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

3)如何引用?
640+篇google学术,490+篇知网学术引用
请使用原生R包,Python包进行引用,或使用如下格式(推荐直接写网址)
Heatmap was plotted by https://www.bioinformatics.com.cn (last accessed on 30 July 2022), a free online platform for data analysis and visualization.

4)交流群/公众号