绘制 ROC 曲线
正如您在视频中所见，ROC 曲线可以高效地汇总分类器在所有可能阈值下的表现。这样就无需为许多不同阈值反复计算类别预测并逐一查看混淆矩阵，省去了大量繁琐工作。
我最喜欢用于计算 ROC 曲线的包是 caTools，其中包含一个名为 colAUC() 的函数。这个函数非常易用，还可以一次性为多个预测器计算 ROC 曲线。在本例中，您只需要为一个预测器计算 ROC 曲线，例如：
colAUC(predicted_probabilities, actual, plotROC = TRUE)
该函数会返回一个名为 AUC 的分数（稍后会详细介绍），并且设置 plotROC = TRUE 会绘制 ROC 曲线，方便可视化检查。
本练习是课程的一部分
在 R 中使用 caret 的机器学习
练习说明
model、test 和 train（使用 sonar 数据）已从上一个练习加载到您的工作区。
- 在测试集上预测概率（即
type = "response"），并将结果保存为p。 - 使用测试集的预测概率绘制 ROC 曲线。
交互式实操练习
通过完成这段示例代码来试试这个练习。
# Predict on test: p
# Make ROC curve