# 画 ROC 曲线，把 AUC 报告规范

> 上传包含结局和指标的表格，Yila 拟合模型并做样本外验证，画出带 AUC 和置信区间的 ROC 曲线，给出有依据的截断值。

URL: https://yila.ai/zh/playbooks/roc-curve

## 你会得到

- **ROC 曲线图** (PNG + SVG): 模型曲线、对照曲线和机会线画在同一张图上，图例里标出各自的 AUC 和 95% 置信区间，并标记选定的截断点。
- **指标汇总表** (CSV): 每个模型的 AUC 及置信区间、截断值、灵敏度和特异度，以及各自变量的比值比。
- **如实的验证** (方法): 曲线由样本外预测值画出，不会因为在建模数据上自测而高估 AUC。
- **分析代码** (Python 代码): 完整的 Python 代码（需要的话也可以是 R），可以直接放进补充材料。

## 怎么做

1. **上传表格，说明要预测什么**: 给 Yila 一个 CSV 或 Excel 文件，说清楚预测哪个结局、用哪些指标。只评估单个指标也可以。
2. **Yila 核对数据，定好验证方案**: 它先统计病例和对照的数量，检查缺失值和量纲差异很大的变量，在拟合之前先确定验证方式。
3. **拿到曲线、数字和代码**: ROC 图和指标表渲染出来检查后保存，代码一并交付。想换截断值的确定规则、改用别的置信区间方法或加更多模型，在同一个对话里说就行。

## 适合这些场景

- **诊断准确性研究**: 展示某个指标或评分区分病例与对照的能力，并给出截断值及对应的灵敏度和特异度。
- **预测模型论文**: 在经过验证的预测值上比较多因素模型和单一指标，而不是拿训练集拟合度说话。
- **生物标志物方向的学位论文**: 报告带置信区间的区分度，附上答辩委员会可以复核的代码。

## 常见问题

### ROC 曲线是什么？AUC 代表什么？

ROC 曲线把评分在每一个可能截断值下的灵敏度和 1 − 特异度画成一条线。曲线下面积（AUC）等于随机抽一个病例、一个对照时，病例得分更高的概率：0.5 相当于随机猜，1.0 代表完全区分。

### 为什么要做交叉验证？

在建模数据上自己给自己打分，结果总会比用在新患者身上好看。Yila 用折外预测值画曲线，每个病例都由没见过它的模型来打分。样本很小时，它会提醒你，并建议改用 bootstrap 乐观度校正。

### AUC 的置信区间是怎么算的？

示例中对交叉验证预测值做了 2000 次 bootstrap 重抽样（百分位区间），输出里会写明。如果你的领域或期刊习惯用 DeLong 法，也可以换成 DeLong 法。

### 截断值怎么定？

默认取 Youden 指数最大处，也就是灵敏度 + 特异度 − 1 最大的点。如果更看重某个固定的灵敏度（比如用于筛查），在请求里说明，Yila 会报告达到该灵敏度的截断值。

### 能比较两个指标或两个模型吗？

可以。在请求里写明，它们会画在同一张图上并各自标注 AUC，还可以加上两者差异的正式检验。

### 用 R 还是 Python？

都可以。示例用的是 Python 的 scikit-learn；用 R 时 Yila 会用 pROC 包。

### 示例用的数据从哪里来？

来自公开的 Breast Cancer Wisconsin (Diagnostic) 数据集，以 CC BY 4.0 许可发布在 UCI 机器学习数据库上。Yila 从不拿用户的数据做示例。

---

- [画 ROC 曲线，把 AUC 报告规范](https://yila.ai/zh/playbooks/roc-curve)
- [llms.txt](https://yila.ai/zh/llms.txt)
