我在R中进行3类ROC分析时遇到了一个问题，并且得到了一个非常烦人的结果（详见这里）。现在我尝试用另一种方法来解决这个问题。数据是iris，分类器是nnet包中的多项式逻辑回归。代码如下：

# iris数据（3类ROC）
library(nnet)
library(pROC) # 应先安装：install.packages('pROC')
data(iris)
# 3类逻辑回归
model = multinom(Species~., data = iris, trace = F)
# 混淆矩阵（z1）&准确率（E1）
z1 = table(iris[, 5], predict(model, data = iris))
E1 = sum(diag(z1)) / sum(z1)
z1;E1
#             setosa versicolor virginica
#  setosa         50          0         0
#  versicolor      0         49         1
#  virginica       0          1        49
#[1] 0.9866667
# 预测模型（仍使用训练数据集）
pre = predict(model, data = iris, type='probs')
# AUC测量
modelroc = mean(    
    c(as.numeric(multiclass.roc(iris$Species, pre[,1])$auc),
        as.numeric(multiclass.roc(iris$Species, pre[,2])$auc),
        as.numeric(multiclass.roc(iris$Species, pre[,3])$auc)    
    ))
modelroc
## 结果 ###
# [1] 0.9803556

我的问题是：
这种使用pROC包的方法正确吗？
非常感谢！！！

一些相关参考：
pROC包：http://www.inside-r.org/packages/cran/pROC/docs/multiclass.roc
Hand & Till(2001)原始论文：http://link.springer.com/article/10.1023%2FA%3A1010920819831

回答：

你取了三个多类AUC的平均值，而这些AUC本身又是三个ROC曲线的AUC的平均值。所以这实际上是9个AUC的平均值。这是否是解决你问题的最佳方法，取决于你实际的问题是什么，但由于你从未提出这个问题，回答起来相当困难。我只能说，这与你提到的Hand & Till(2001)论文中描述的方法不符。