mydata$AbsValue<-abs(mydata$value) > ggplot(mydata,aes(x=Var1,y=Var2))+ + geom_point(aes(size=AbsValue,fill=value),shape=21,colour=black)+ + scale_fill_gradientn(colours = c(brewer.pal(7,"Set1")[2],"white",brewer.pal(7,"Set1")[1]),na.value = NA)+ + scale_size_area(max_size = 12,guide=FALSE) 错误: 找不到对象'black'

根据您提供的代码，有一个错误在于您在 `geom_point` 中使用了 `colour=black`，而R无法找到对象'black'。这通常发生在您没有安装所需的软件包或未正确加载所需的软件包时，例如，您需要在代码中加载 `ggplot2` 和 `RColorBrewer` 包。请尝试在代码的开头加上以下代码： ``` library(ggplot2) library(RColorBrewer) ``` 这将确保所需的软件包已加载并在代码中可用。

library(ggplot2) > library(RColorBrewer) > mydata$AbsValue<-abs(mydata$value) > ggplot(mydata,aes(x=Var1,y=Var2))+ + geom_point(aes(size=AbsValue,fill=value),shape=21,colour=black)+ + scale_fill_gradientn(colours = c(brewer.pal(7,"Set1")[2],"white",brewer.pal(7,"Set1")[1]),na.value = NA)+ + scale_size_area(max_size = 12,guide=FALSE) 错误: 找不到对象'black'

感谢提供更多的代码。根据您提供的代码，问题可能是由于您在 `geom_point` 中使用了 `colour=black`，而 'black' 对象不被认为是一个有效的颜色名称。相反，您可以使用 `color="black"` 或 `colour="black"`，这将指定点的边框颜色为黑色。请尝试更改 `geom_point` 行如下： ``` geom_point(aes(size=AbsValue,fill=value),shape=21,colour="black") ``` 这应该解决错误并绘制出您的散点图。

library(pROC) #用这个软件包绘制roc曲线model_1<-glm(Y~A+B+C+D+E, #这里是构建二元回归模型的联合预测概率，不是单个指标的 data=Mydata, family = binomial(link ="logit"))summary(model_1) #查看构建的模型fitted.prob<-predict(model_1, newdata = Mydata, type = "response") #这里不需要变动Mydata$pred<-model_1$fitted.valuesroc_multivar_1<-roc(Mydata$Y,Mydata[,"pred"]) #这里要把Y改为自己的结局变量即可plot.roc(roc_multivar_1,col="tan", #这是曲线的颜色 print.auc=T,#显示AUC面积 print.thres=T,#添加截点和95%CI smooth=T,#圆滑点曲线设置，可有可无 grid=c(0.3,0.3) #grid是网格线设置,不需要的话直接删除 ,grid.col=c("blue","brown"))#至此roc曲线完成，注意这是模型的ROC，不是单个指标的ROC par(mgp=c(1.6,0.6,0),mar=c(4,4,3,1)) #需要的话，可以设置画布大小

### 构建多变量逻辑回归模型并绘制ROC曲线为了使用 `pROC` 包在 R 中绘制基于多变量逻辑回归模型的 ROC 曲线，需遵循以下流程： #### 安装和加载必要的包首先确保已安装所需的两个包：`pROC` 和 `glmnet`。如果尚未安装这些包，则可以通过下面的命令完成安装。 ```r install.packages("pROC") install.packages("glmnet") ``` 接着，在脚本开头处加载这两个库以便后续调用其功能函数。 ```r library(pROC) library(glmnet) ``` #### 数据准备与预处理假设有一个名为 `dataframe` 的数据框包含了所有的特征列以及目标变量（即标签）。这里的目标变量应该是一个因子类型的向量，表示类别归属；而其他列为数值型或经过编码后的离散属性值。对于含有缺失值的数据集，建议提前清理或者填补缺失部分以提高模型准确性。 #### 建立逻辑回归模型利用 `glmnet()` 函数创建一个多变量逻辑回归模型实例。此过程涉及指定输入矩阵 X (除去响应变量外的所有解释变量构成) 和 y (仅含有的因变量)，同时设定 family 参数为 "binomial" 来指明这是一个二元分类任务。 ```r # 设定训练集中不包含目标变量的位置索引 target_column_index X <- as.matrix(dataframe[, -target_column_index]) y <- dataframe$target_variable fit <- glmnet(X, y, family = "binomial") ``` #### 预测概率得分一旦获得了训练好的模型对象 fit ，就可以通过 predict() 方法针对新的观测样本执行预测操作。注意此时应传递 type="response" 参数选项给该方法，从而返回的是事件发生的条件概率而非原始线性组合系数。 ```r dtest <- xgb.DMatrix(data = as.matrix(test_set[, -target_column_index])) predictions <- predict(fit, newx=dtest, type='response') ``` 此处需要注意的是，由于采用的是 `glmnet` 而不是 `xgboost` 模型，因此不需要将测试数据转化为 DMatrix 类型。 #### 绘制ROC曲线最后一步就是应用 pROC 库里的 roc() 函数来生成 ROC 对象，并进一步调用 plot() 显示图形化结果。还可以调整一些额外参数来自定义图表样式，例如颜色、线条宽度等。 ```r roc_obj <- roc(test_set$target_variable, predictions) plot(roc_obj, col="#1c61b6", lwd=2, main="Receiver Operating Characteristic Curve" ) ``` 上述代码片段展示了如何使用 R 语言中的 `pROC` 包配合 `glmnet` 实现多变量逻辑回归分析及其对应的 ROC 曲线可视化[^1]。

阅读全文

相关推荐

mydata-数据集

mydata:一些数据

mydata1.dta

ggplot(mydata,aes(x=Var1,y=Var2))+ + geom_point(aes(size=AbsValue,fill=value),shape=21,colour=black)+ + scale_fill_gradientn(colours = c(brewer.pal(7,"Set1")[2],"white",brewer.pal(7,"Set1")[1]),na.value = NA)+ + scale_size_area(max_size = 12,guide=FALSE) 错误: 找不到对象'black'

transformed_data <- predict(new_variables, mydata2) cor(transformed_data) lable <- as.factor(mydata$lable) transformed_data["lable"] <- lable head(transformed_data)

R语言为什么用mydata$CMM_15 <- dplyr::recode(mydata$CMM_15,“TRUE”=“1”,“FALSE”=“0”)重新赋值后，FALSE=9844，0=8187，数量不一样了怎么解决

> mydata.rf<-randomForest(Type~.,data=credit,importance=TRUE,proximity=TRUE) 错误: protect(): protection stack overflow

mydata <- mydata %>% mutate(Diabetes = ifelse((is.na(da007_3_)|da007_3_=1),‘No’,‘Yes’))代表什么意思

> mydata.rf<-randomForest(Type~.,data=trainset,importance=TRUE,proximity=TRUE) 错误于eval(predvars, data, env): 找不到对象'S?G'

R中fit1<-lrm(low~age+ftv+ht+lwt+ptl+smoke+ui+race1+race2,data=mydata,x=T,y=T)

mydata1<-read.table(file="clipboard",header=TRUE哪错了？

大家在看

机械臂建模+MATLAB代码+六自由度.zip

易语言WinSock模块应用

VxWorks和RTlinux的性能测试分析

波特率任意设 串口调试助手

十几种水下图像增强算法源代码

最新推荐

Visual C++.NET编程技术实战指南

HarmonyOS内核深度探秘：优化自由行旅游系统的策略

tkinter模块所有控件

局域网五子棋游戏：娱乐与聊天的完美结合

自由行旅游新篇章：HarmonyOS技术融合与系统架构深度解析

足底支撑相到达73%是什么问题

宾馆预约系统开发与优化建议

HarmonyOS在旅游领域的创新：揭秘最前沿应用实践

数据架构师需要具备什么能力

Java Web应用开发教程：Struts与Hibernate实例解析

波特率任意设串口调试助手