{"id":7916,"date":"2026-09-17T00:48:29","date_gmt":"2026-09-17T00:48:29","guid":{"rendered":"http:\/\/french.arabpsychology.com\/statistics\/comment-tracer-courbe-roc-ggplot2-exemples\/"},"modified":"2026-09-17T00:48:34","modified_gmt":"2026-09-17T00:48:34","slug":"comment-tracer-courbe-roc-ggplot2-exemples","status":"publish","type":"psych_stat","link":"https:\/\/french.arabpsychology.com\/?psych_stat=comment-tracer-courbe-roc-ggplot2-exemples","title":{"rendered":"Comment tracer une courbe ROC avec ggplot2 (avec exemples)"},"content":{"rendered":"

Dans le domaine de l’analyse statistique avanc\u00e9e, de l’\u00e9pid\u00e9miologie clinique et de l’apprentissage automatique, l’\u00e9valuation de la performance discriminante des mod\u00e8les pr\u00e9dictifs binaires constitue une \u00e9tape d\u00e9cisive. Lorsqu’un algorithme ou un mod\u00e8le de r\u00e9gression logistique attribue un score de propension ou une probabilit\u00e9 a posteriori \u00e0 une observation, le praticien se heurte in\u00e9vitablement \u00e0 la probl\u00e9matique du choix du seuil d\u00e9cisionnel optimal. La courbe ROC (Receiver Operating Characteristic<\/em>) s’impose alors comme l’\u00e9talon m\u00e9thodologique par excellence. Loin d’une m\u00e9trique ponctuelle et r\u00e9ductrice, elle offre une caract\u00e9risation globale et ind\u00e9pendante de tout point de coupure arbitraire, r\u00e9v\u00e9lant la dynamique fondamentale qui unit la sensibilit\u00e9 d’un test \u00e0 sa sp\u00e9cificit\u00e9.<\/p>\n

Toutefois, la restitution visuelle de cette trajectoire ne saurait se limiter \u00e0 un trac\u00e9 rudimentaire. Sous l’impulsion de la philosophie computationnelle de R<\/a> et de l’impl\u00e9mentation de la grammaire des graphiques conceptualis\u00e9e par Leland Wilkinson, la biblioth\u00e8que ggplot2<\/strong> offre une puissance d’expression in\u00e9gal\u00e9e pour convertir des estimations probabilistes en repr\u00e9sentations graphiques publiables, conformes aux exigences les plus strictes des revues acad\u00e9miques \u00e0 comit\u00e9 de lecture. La ma\u00eetrise de cet outil permet non seulement de d\u00e9peindre avec rigueur la capacit\u00e9 de discrimination d’un biomarqueur ou d’une \u00e9chelle psychom\u00e9trique, mais \u00e9galement d’int\u00e9grer des intervalles de confiance robustes, de superposer des mod\u00e8les concurrents et d’annoter visuellement les indices d’optimisation diagnostique tels que l’indice de Youden.<\/p>\n

Ce trait\u00e9 exhaustif a pour vocation d’articuler en profondeur les fondements th\u00e9oriques de l’analyse du signal avec les pratiques d’impl\u00e9mentation logicielle les plus rigoureuses sous l’\u00e9cosyst\u00e8me R. En d\u00e9composant les \u00e9quations math\u00e9matiques sous-jacentes, en explorant les approches de trac\u00e9 manuel par d\u00e9rivation matricielle, puis en mobilisant les extensions sp\u00e9cialis\u00e9es pROC<\/em> et plotROC<\/em> au sein du paradigme d\u00e9claratif de ggplot2<\/em>, ce document constitue un manuel de r\u00e9f\u00e9rence m\u00e9thodologique destin\u00e9 aux chercheurs, biostatisticiens et analystes de donn\u00e9es confront\u00e9s aux d\u00e9fis de la classification binaire.<\/p>\n

1. Introduction aux courbes ROC et aux fondements th\u00e9oriques en mod\u00e9lisation binaire<\/h2>\n

L’\u00e9valuation des mod\u00e8les de classification statistique repose sur la capacit\u00e9 d’un syst\u00e8me \u00e0 s\u00e9parer deux populations distinctes \u00e0 travers un continuum de mesure. Dans ce contexte, la courbe ROC fournit une cartographie g\u00e9om\u00e9trique compl\u00e8te de la performance diagnostique d’un classificateur binaire sans n\u00e9cessiter la fixation pr\u00e9alable d’un seuil de positivit\u00e9.<\/p>\n

1.1 Qu’est-ce qu’une courbe ROC (Receiver Operating Characteristic) ?<\/h3>\n

L’\u00e9mergence conceptuelle de la courbe ROC puise ses origines historiques au cours de la Seconde Guerre mondiale, plus pr\u00e9cis\u00e9ment dans les travaux pionniers li\u00e9s \u00e0 la th\u00e9orie de la d\u00e9tection du signal<\/a>. Les op\u00e9rateurs radar britanniques et am\u00e9ricains \u00e9taient alors confront\u00e9s au d\u00e9fi de discerner les \u00e9chos renvoy\u00e9s par des appareils ennemis r\u00e9els du bruit de fond provoqu\u00e9 par des nuages, des vols d’oiseaux ou des interf\u00e9rences \u00e9lectromagn\u00e9tiques. Face \u00e0 ce probl\u00e8me de transmission de l’information, les ing\u00e9nieurs d\u00e9velopp\u00e8rent une formalisation math\u00e9matique \u00e9valuant la capacit\u00e9 op\u00e9rationnelle du r\u00e9cepteur \u00e0 identifier un signal authentique face aux fluctuations stochastiques ambiantes. Cette approche novatrice a ensuite \u00e9t\u00e9 transpos\u00e9e \u00e0 la psychophysique exp\u00e9rimentale par des auteurs fondamentaux tels que David Green et John Swets dans les ann\u00e9es 1960, avant de conqu\u00e9rir la m\u00e9decine clinique, l’\u00e9pid\u00e9miologie et la science des donn\u00e9es modernes.<\/p>\n

Sur le plan g\u00e9om\u00e9trique et probabiliste, la courbe ROC constitue la repr\u00e9sentation graphique continue du compromis inh\u00e9rent entre les b\u00e9n\u00e9fices attendus et les co\u00fbts occasionn\u00e9s par une d\u00e9cision en univers incertain. En faisant varier de mani\u00e8re syst\u00e9matique le seuil de discrimination critique sur l’ensemble de son domaine de d\u00e9finition, la courbe projette, sur un rep\u00e8re cart\u00e9sien born\u00e9 par le carr\u00e9 unitaire [0, 1] \u00d7 [0, 1], l’\u00e9volution conjointe du taux de vrais positifs et du taux de faux positifs. Loin de figer le classificateur dans une matrice de confusion statique, cette trajectoire param\u00e9trique r\u00e9v\u00e8le l’anatomie intrins\u00e8que du pouvoir s\u00e9parateur d’une variable quantitative continue ou d’un pr\u00e9dicteur probabiliste, ind\u00e9pendamment du point de fonctionnement finalement retenu par le clinicien ou l’ing\u00e9nieur.<\/p>\n

Dans l’\u00e9valuation moderne des classificateurs probabilistes continus, \u00e0 l’instar de la r\u00e9gression logistique, des r\u00e9seaux de neurones ou des for\u00eats al\u00e9atoires, la courbe ROC remplit une fonction heuristique majeure. Les algorithmes pr\u00e9dictifs attribuent g\u00e9n\u00e9ralement \u00e0 chaque unit\u00e9 statistique une probabilit\u00e9 d’appartenance \u00e0 la classe cible comprise entre 0 et 1. D\u00e9clarer une observation comme positive suppose de trancher si cette probabilit\u00e9 d\u00e9passe un seuil arbitraire fix\u00e9 usuellement \u00e0 0,5. Or, cette convention standard s’av\u00e8re souvent inadapt\u00e9e aux contextes asym\u00e9triques o\u00f9 les co\u00fbts de mauvaise classification diff\u00e8rent drastiquement. L’analyse ROC \u00e9mancipe l’\u00e9valuateur de cette contrainte en inspectant la robustesse du mod\u00e8le pour tous les seuils concevables, offrant ainsi une lecture panoramique de son efficacit\u00e9 discriminatoire.<\/p>\n

1.2 Les m\u00e9triques sous-jacentes : Sensibilit\u00e9 et Sp\u00e9cificit\u00e9<\/h3>\n

L’architecture fondamentale de la courbe ROC s’\u00e9difie sur deux grandeurs statistiques conditionnelles issues de la table de contingence binaire, usuellement d\u00e9sign\u00e9e sous le terme de matrice de confusion : la sensibilit\u00e9 et la sp\u00e9cificit\u00e9. La sensibilit\u00e9, \u00e9galement qualifi\u00e9e de taux de vrais positifs (True Positive Rate<\/em> ou TPR), quantifie la probabilit\u00e9 qu’un sujet v\u00e9ritablement porteur de la condition d’int\u00e9r\u00eat soit class\u00e9 de mani\u00e8re congruente comme positif par le test ou le mod\u00e8le statistique. Math\u00e9matiquement, elle s’exprime par le rapport conditionnel suivant :<\/p>\n

Sensibilit\u00e9 = P(Test Positif | Sujet Positif) = VP \/ (VP + FN)<\/strong><\/p>\n

o\u00f9 VP d\u00e9signe l’effectif des vrais positifs et FN celui des faux n\u00e9gatifs. Une sensibilit\u00e9 maximale \u00e9gale \u00e0 1 indique que l’ensemble des cas pathologiques ou cibles a \u00e9t\u00e9 formellement d\u00e9tect\u00e9 par l’outil, \u00e9liminant ainsi toute occurrence de faux n\u00e9gatifs d\u00e9l\u00e9t\u00e8res dans un contexte de d\u00e9pistage.<\/p>\n

\u00c0 l’oppos\u00e9, la sp\u00e9cificit\u00e9 mesure la probabilit\u00e9 conditionnelle qu’un individu indemne de la condition \u00e9tudi\u00e9e obtienne un r\u00e9sultat de test n\u00e9gatif, traduisant la capacit\u00e9 de l’outil \u00e0 \u00e9carter les sujets sains sans g\u00e9n\u00e9rer d’alarmes fallacieuses :<\/p>\n

Sp\u00e9cificit\u00e9 = P(Test N\u00e9gatif | Sujet N\u00e9gatif) = VN \/ (VN + FP)<\/strong><\/p>\n

o\u00f9 VN repr\u00e9sente les vrais n\u00e9gatifs et FP les faux positifs. Dans la construction usuelle de la courbe ROC, l’ordonn\u00e9e est assign\u00e9e \u00e0 la sensibilit\u00e9 (TPR), tandis que l’abscisse re\u00e7oit le taux de faux positifs (False Positive Rate<\/em> ou FPR), qui correspond rigoureusement au compl\u00e9ment arithm\u00e9tique de la sp\u00e9cificit\u00e9, soit 1 – Sp\u00e9cificit\u00e9<\/strong>. Ce taux exprime formellement la fraction de sujets sains ind\u00fbment cat\u00e9goris\u00e9s comme anormaux ou positifs par le m\u00e9canisme d\u00e9cisionnel.<\/p>\n

Le comportement de la matrice de confusion et de ces taux conditionnels varie de fa\u00e7on monotone en fonction du d\u00e9placement du seuil critique de coupure (d\u00e9sign\u00e9 couramment par la lettre grecque tau, \u03c4). Si le statisticien abaisse le seuil de d\u00e9cision vers z\u00e9ro, le mod\u00e8le devient ultra-lib\u00e9ral : il pr\u00e9dit une issue positive pour la quasi-totalit\u00e9 des observations. Par cons\u00e9quent, les faux n\u00e9gatifs tendent vers z\u00e9ro, la sensibilit\u00e9 converge vers 1, mais au d\u00e9triment direct de la sp\u00e9cificit\u00e9 qui s’effondre vers 0 (portant 1 – Sp\u00e9cificit\u00e9 \u00e0 1). Inversement, si le seuil s’\u00e9l\u00e8ve vers l’unit\u00e9, le mod\u00e8le adopte une posture hyper-conservatrice : presque aucun individu n’est d\u00e9clar\u00e9 positif, la sp\u00e9cificit\u00e9 atteint 1 (1 – Sp\u00e9cificit\u00e9 = 0), tandis que la sensibilit\u00e9 chute vers z\u00e9ro. La courbe ROC retrace pr\u00e9cis\u00e9ment cette dialectique structurelle le long de l’espace param\u00e9trique.<\/p>\n

1.3 Pertinence m\u00e9thodologique dans la recherche psychologique et clinique<\/h3>\n

Dans le champ des sciences comportementales, de la psychologie clinique et de la psychiatrie quantitative, la validation diagnostique d’\u00e9chelles de mesure et d’inventaires d’\u00e9valuation psychom\u00e9trique repr\u00e9sente un enjeu m\u00e9thodologique de premier ordre. Qu’il s’agisse de mesurer la s\u00e9v\u00e9rit\u00e9 d’un \u00e9tat d\u00e9pressif majeur \u00e0 travers le PHQ-9 (Patient Health Questionnaire)<\/a> ou d’\u00e9valuer le risque de passage \u00e0 l’acte suicidaire, le chercheur dispose fr\u00e9quemment d’un score composite continu dont il doit d\u00e9terminer la propension \u00e0 cat\u00e9goriser fid\u00e8lement les patients selon un standard nosographique de r\u00e9f\u00e9rence (par exemple, les crit\u00e8res \u00e9tablis par le DSM-5 ou la CIM-11 via un entretien structur\u00e9 de type MINI ou SCID).<\/p>\n

La mobilisation de la courbe ROC permet d’arbitrer les arbitrages cliniques hautement asym\u00e9triques inh\u00e9rents \u00e0 ces disciplines. Dans le cas du rep\u00e9rage d’affections lourdes ou d’urgences psychiatriques, le co\u00fbt humain et soci\u00e9tal d’un faux n\u00e9gatif (laisser un patient hautement suicidaire sans surveillance ni soutien m\u00e9dical) s’av\u00e8re infiniment plus pr\u00e9judiciable que le co\u00fbt induit par un faux positif (orienter temporairement un patient non suicidaire vers un bilan psychiatrique approfondi). La courbe ROC permet d’identifier visuellement et statistiquement la zone de seuil garantissant une sensibilit\u00e9 quasi-totale, tout en quantifiant pr\u00e9cis\u00e9ment la d\u00e9gradation tol\u00e9rable de la sp\u00e9cificit\u00e9 qui en d\u00e9coule.<\/p>\n

Un avantage \u00e9pist\u00e9mologique capital de la m\u00e9thodologie ROC r\u00e9side dans sa robustesse face aux variations de pr\u00e9valence du trouble au sein de la population examin\u00e9e. Contrairement aux valeurs pr\u00e9dictives positives (VPP) et n\u00e9gatives (VPN), qui subissent directement l’influence du taux de base d’un ph\u00e9nom\u00e8ne selon le th\u00e9or\u00e8me de Bayes, la sensibilit\u00e9 et la sp\u00e9cificit\u00e9 sont des grandeurs conditionnelles intrins\u00e8ques au dispositif de mesure. Ainsi, une courbe ROC g\u00e9n\u00e9r\u00e9e en milieu hospitalier sp\u00e9cialis\u00e9 (o\u00f9 la pr\u00e9valence d’une pathologie peut atteindre 50 %) conserve sa validit\u00e9 structurelle pour estimer les capacit\u00e9s de discrimination de l’instrument lorsqu’il est ensuite d\u00e9ploy\u00e9 en soins de sant\u00e9 primaires ou en population g\u00e9n\u00e9rale o\u00f9 la pr\u00e9valence n’exc\u00e9derait pas 2 %. Cette propri\u00e9t\u00e9 d’invariance offre une garantie de transposabilit\u00e9 m\u00e9thodologique indispensable pour la recherche clinique translationnelle.<\/p>\n

2. Mod\u00e9lisation de r\u00e9gression logistique binaire : Pr\u00e9paration et ajustement<\/h2>\n

Avant d’extraire la g\u00e9om\u00e9trie d’une courbe ROC, il est imp\u00e9ratif de g\u00e9n\u00e9rer un mod\u00e8le statistique capable d’estimer de mani\u00e8re optimale les probabilit\u00e9s d’appartenance \u00e0 la classe cible \u00e0 partir d’un ensemble de covariables cliniques ou d\u00e9mographiques. La r\u00e9gression logistique binaire demeure le standard param\u00e9trique le plus robuste et le plus largement interpr\u00e9table pour accomplir cette t\u00e2che fondamentale.<\/p>\n

2.1 Fondements de la r\u00e9gression logistique pour issues dichotomiques<\/h3>\n

La r\u00e9gression logistique s’applique lorsque la variable d\u00e9pendante d’int\u00e9r\u00eat, not\u00e9e Y, est une variable al\u00e9atoire suivant une loi de Bernoulli prenant pour valeurs 0 (absence de l’\u00e9v\u00e9nement ou groupe t\u00e9moin) ou 1 (survenue de l’\u00e9v\u00e9nement ou groupe cas). L’ajustement direct d’un mod\u00e8le lin\u00e9aire standard par moindres carr\u00e9s ordinaires s’av\u00e8re non valide en raison de l’h\u00e9t\u00e9rosc\u00e9dasticit\u00e9 des r\u00e9sidus et, surtout, du risque de pr\u00e9dire des probabilit\u00e9s aberrantes situ\u00e9es en dehors du segment d\u00e9limit\u00e9 [0, 1]. Pour pallier cette impasse, la r\u00e9gression logistique mod\u00e9lise une transformation monotone de la probabilit\u00e9 conditionnelle \u03c0(x) = P(Y = 1 | X = x), nomm\u00e9e la fonction logit<\/em>.<\/p>\n

Le mod\u00e8le s’\u00e9nonce selon la relation lin\u00e9aire appliqu\u00e9e au logarithme n\u00e9p\u00e9rien du rapport des cotes (log-odds<\/em>) :<\/p>\n

logit(\u03c0(x)) = ln( \u03c0(x) \/ (1 – \u03c0(x)) ) = \u03b2\u2080 + \u03b2\u2081X\u2081 + \u03b2\u2082X\u2082 + … + \u03b2\u209aX\u209a<\/strong><\/p>\n

Par inversion alg\u00e9brique, l’estimation de la probabilit\u00e9 conditionnelle s’obtient via la fonction logistique sigmo\u00efde standard :<\/p>\n

\u03c0(x) = 1 \/ ( 1 + exp(-(\u03b2\u2080 + \u03a3 \u03b2\u1d62X\u1d62)) )<\/strong><\/p>\n

Les conditions d’application de la r\u00e9gression logistique n’imposent pas l’hypoth\u00e8se de normalit\u00e9 multidimensionnelle des pr\u00e9dicteurs, ce qui conf\u00e8re \u00e0 cette m\u00e9thode une grande souplesse op\u00e9rationnelle face \u00e0 des covariables mixtes (continues et discr\u00e8tes). N\u00e9anmoins, elle suppose l’ind\u00e9pendance stricte des observations, l’absence de multicolin\u00e9arit\u00e9 s\u00e9v\u00e8re entre les variables explicatives et une lin\u00e9arit\u00e9 de la relation entre chaque covariable continue et le logit de l’issue binaire. Sur le plan de l’interpr\u00e9tation \u00e9pid\u00e9miologique, l’exponentiation des coefficients de r\u00e9gression estim\u00e9e par le maximum de vraisemblance, soit exp(\u03b2\u1d62), livre directement les rapports de cotes (Odds Ratios<\/em> ou OR), quantifiant l’augmentation relative de la cote de l’\u00e9v\u00e9nement induite par l’accroissement d’une unit\u00e9 de la covariable correspondante, toutes choses \u00e9tant \u00e9gales par ailleurs.<\/p>\n

2.2 Partitionnement des donn\u00e9es : \u00c9chantillons d’entra\u00eenement et de test<\/h3>\n

L’\u00e9valuation rigoureuse de la validit\u00e9 d’un mod\u00e8le statistique impose une dissociation m\u00e9thodique entre la phase d’estimation des param\u00e8tres et la phase d’\u00e9valuation de la performance pr\u00e9dictive. L’ajustement d’un mod\u00e8le et le trac\u00e9 de sa courbe ROC sur le jeu de donn\u00e9es ayant servi \u00e0 calibrer les coefficients produit in\u00e9vitablement un biais d’optimisme majeur imputable au surapprentissage (overfitting<\/em>). Le mod\u00e8le a tendance \u00e0 capturer le bruit stochastique propre \u00e0 l’\u00e9chantillon observ\u00e9 plut\u00f4t que la v\u00e9ritable structure sous-jacente de la population cible.<\/p>\n

Afin de pr\u00e9munir l’analyse contre cet \u00e9cueil m\u00e9thodologique, il est primordial de proc\u00e9der \u00e0 un fractionnement de l’\u00e9chantillon initial en un ensemble d’apprentissage (training set<\/em>) et un ensemble de validation ou de test (testing set<\/em>). Typiquement, une proportion de 70 % \u00e0 80 % est allou\u00e9e \u00e0 l’apprentissage pour garantir une puissance statistique suffisante lors de l’estimation par le maximum de vraisemblance, les 20 % \u00e0 30 % restants \u00e9tant rigoureusement sanctuaris\u00e9s pour l’\u00e9valuation diagnostique.<\/p>\n

Dans les contextes biom\u00e9dicaux o\u00f9 l’incidence des cas pathologiques est restreinte, la mise en \u0153uvre d’un fractionnement al\u00e9atoire simple comporte le risque de d\u00e9s\u00e9quilibrer artificiellement la distribution de l’issue binaire entre les sous-\u00e9chantillons. Il convient d\u00e8s lors de recourir \u00e0 un \u00e9chantillonnage stratifi\u00e9. Dans l’\u00e9cosyst\u00e8me R, cette d\u00e9marche peut \u00eatre effectu\u00e9e avec les fonctions int\u00e9gr\u00e9es de l’environnement de base, ou facilit\u00e9e par des fonctions sp\u00e9cialis\u00e9es telles que createDataPartition()<\/code> du package caret<\/em>, ou via la syntaxe native de rsample<\/em> (inclus dans tidymodels<\/em>). L’imp\u00e9ratif m\u00e9thodologique consiste \u00e0 certifier que les proportions relatives de classes observ\u00e9es au sein du jeu complet se retrouvent rigoureusement pr\u00e9serv\u00e9es au sein des deux sous-ensembles g\u00e9n\u00e9r\u00e9s.<\/p>\n

2.3 Ajustement du mod\u00e8le avec la fonction glm() dans R<\/h3>\n

Dans l’environnement de calcul R, l’estimation des mod\u00e8les lin\u00e9aires g\u00e9n\u00e9ralis\u00e9s s’op\u00e8re par le truchement de la fonction canonique glm()<\/code>. Pour ajuster une r\u00e9gression logistique binaire, l’argument central r\u00e9side dans la sp\u00e9cification du param\u00e8tre family = binomial(link = \"logit\")<\/code>, qui enjoint \u00e0 l’algorithme d’adopter une distribution d’erreurs binomiale coupl\u00e9e \u00e0 la fonction de lien canonique logit. La syntaxe formelle d’appel s’\u00e9crit de la fa\u00e7on suivante :<\/p>\n

modele_logit <- glm(statut ~ score_test + age + biomarqueur, data = donnees_train, family = binomial(link = "logit"))<\/code><\/p>\n

L’ex\u00e9cution de cette instruction active l’algorithme des moindres carr\u00e9s r\u00e9cursivement repond\u00e9r\u00e9s (Iteratively Reweighted Least Squares<\/em> ou IRLS) afin de maximiser la fonction de log-vraisemblance. \u00c0 l’issue de la convergence, l’inspection de l’objet produit via la fonction summary(modele_logit)<\/code> permet de recueillir des informations structurelles critiques. Le statisticien doit valider la bonne convergence de l’algorithme en s’assurant que le nombre d’it\u00e9rations r\u00e9pertori\u00e9 reste raisonnable et qu’aucun avertissement n’indique l’existence d’une s\u00e9paration quasi-compl\u00e8te des donn\u00e9es (qui conduirait \u00e0 l’explosion artificielle des erreurs-types des coefficients).<\/p>\n

L’\u00e9valuation globale de l’ajustement repose sur l’analyse de la d\u00e9viance r\u00e9siduelle par rapport \u00e0 la d\u00e9viance nulle, ainsi que sur la consultation des crit\u00e8res d’information p\u00e9nalis\u00e9e, notamment l’AIC (Akaike Information Criterion<\/em>). Un mod\u00e8le pr\u00e9sentant une d\u00e9viance r\u00e9siduelle substantiellement inf\u00e9rieure \u00e0 la d\u00e9viance du mod\u00e8le nul t\u00e9moigne d’un gain d’information manifeste apport\u00e9 par les pr\u00e9dicteurs introduits. Une fois ces v\u00e9rifications diagnostiques parachev\u00e9es, le mod\u00e8le est habilit\u00e9 \u00e0 projeter ses pr\u00e9dictions probabilistes sur la cohorte de validation externe.<\/p>\n

3. Pr\u00e9paration des pr\u00e9dictions et structuration des donn\u00e9es pour l’analyse ROC<\/h2>\n

La construction graphique et computationnelle d’une courbe ROC n\u00e9cessite une rigueur absolue dans la mise en forme des sorties algorithmiques. Un trac\u00e9 erron\u00e9 ou artificiellement invers\u00e9 r\u00e9sulte presque toujours d’une confusion entre les \u00e9chelles d’estimation ou d’un mauvais typage des variables de r\u00e9ponse.<\/p>\n

3.1 G\u00e9n\u00e9ration des probabilit\u00e9s pr\u00e9dites avec la fonction predict()<\/h3>\n

Une fois le mod\u00e8le estim\u00e9 sur le jeu d’entra\u00eenement, il convient d’inf\u00e9rer les pr\u00e9dictions sur les individus composant le jeu de test ind\u00e9pendant. Cette \u00e9tape mobilise la fonction g\u00e9n\u00e9rique predict()<\/code>. N\u00e9anmoins, une vigilance capitale s’impose quant au choix de l’argument de transformation type<\/code>. Par d\u00e9faut, pour un objet de classe glm<\/code>, l’argument est configur\u00e9 sur type = \"link\"<\/code>, ce qui commande au logiciel de retourner les pr\u00e9dictions lin\u00e9aires sur l’\u00e9chelle de la fonction de lien logit (c’est-\u00e0-dire les log-odds).<\/p>\n

Pour l’analyse de discrimination ROC, il est hautement pr\u00e9f\u00e9rable de manipuler directement des probabilit\u00e9s a posteriori born\u00e9es dans l’intervalle [0, 1]. Pour ce faire, il est imp\u00e9ratif de param\u00e9trer explicitement type = \"response\"<\/code> :<\/p>\n

predictions_prob <- predict(modele_logit, newdata = donnees_test, type = "response")<\/code><\/p>\n

Cette instruction applique la transformation sigmo\u00efde inverse sur les composantes de la combinaison lin\u00e9aire, assignant ainsi \u00e0 chaque patient de l’\u00e9chantillon de test une probabilit\u00e9 calcul\u00e9e d’appartenance \u00e0 la classe cible. D\u00e8s cette phase franchie, un examen descriptif de la distribution des probabilit\u00e9s obtenues (par l’appel de summary(predictions_prob)<\/code> ou la g\u00e9n\u00e9ration d’un histogramme rapide) s’impose pour v\u00e9rifier l’absence d’aberrations num\u00e9riques, telles que des concentrations massives aux bornes extr\u00eames qui signaleraient un mod\u00e8le hyper-s\u00e9parateur instable.<\/p>\n

3.2 Organisation tabulaire des r\u00e9sultats sous format adapt\u00e9<\/h3>\n

Pour s’inscrire harmonieusement dans le paradigme graphique de ggplot2<\/em> et respecter les imp\u00e9ratifs du format de donn\u00e9es propre (tidy data<\/em>), les pr\u00e9dictions doivent \u00eatre assembl\u00e9es avec les observations cliniques r\u00e9elles au sein d’un tableau rectangulaire unifi\u00e9, typiquement un objet de type data.frame<\/code> ou tibble<\/code>. Cette op\u00e9ration s’accomplit ais\u00e9ment par recombinaison vectorielle :<\/p>\n

df_roc <- data.frame(statut_reel = donnees_test$statut, proba_predite = predictions_prob)<\/code><\/p>\n

Le contr\u00f4le de l’encodage de la variable d\u00e9pendante r\u00e9elle conditionne l’ensemble de la cha\u00eene de traitement ult\u00e9rieure. Selon le package mobilis\u00e9 (qu’il s’agisse de pROC<\/em>, plotROC<\/em> ou d’un algorithme manuel), les exigences de typage divergent. Certains outils exigent que la variable r\u00e9ponse soit formellement d\u00e9clar\u00e9e comme un facteur binaire \u00e0 deux niveaux ordonn\u00e9s (par exemple, levels = c(\"Sain\", \"Malade\")<\/code>), tandis que d’autres requi\u00e8rent une variable num\u00e9rique strictement cod\u00e9e sous la forme 0\/1. Il convient de pr\u00eater une attention m\u00e9ticuleuse \u00e0 l’ordre des modalit\u00e9s : le niveau consid\u00e9r\u00e9 comme l’\u00e9v\u00e9nement d’int\u00e9r\u00eat clinique (la classe cible positive) doit correspondre au niveau sup\u00e9rieur dans la hi\u00e9rarchie du facteur ou \u00eatre associ\u00e9 \u00e0 la valeur num\u00e9rique 1, sous peine d’induire une sym\u00e9trie invers\u00e9e de la courbe r\u00e9sultante.<\/p>\n

Par ailleurs, il est fondamental de s’assurer d’un parfait alignement d’indices entre les vecteurs de pr\u00e9dicteurs et le vecteur de r\u00e9f\u00e9rence. Toute alt\u00e9ration dans l’ordre des lignes lors des manipulations de fusion (notamment lors de l’utilisation de sous-ensembles sans conservation d’identifiants univoques) d\u00e9truirait la corr\u00e9lation intra-sujet et an\u00e9antirait la validit\u00e9 de l’\u00e9valuation diagnostique.<\/p>\n

3.3 Traitement des valeurs manquantes et des cas limites<\/h3>\n

Dans les registres empiriques de donn\u00e9es cliniques ou psychom\u00e9triques, la survenue de donn\u00e9es manquantes repr\u00e9sente un ph\u00e9nom\u00e8ne r\u00e9current. Lors de l’\u00e9valuation par predict.glm()<\/code>, toute observation du jeu de test qui comporte ne serait-ce qu’une seule valeur manquante (NA<\/code>) sur l’une des covariables du mod\u00e8le est automatiquement exclue par l’action de l’argument standard na.action = na.pass<\/code> ou na.omit<\/code>. Ce filtrage implicite alt\u00e8re la taille effective de l’\u00e9chantillon de validation et d\u00e9saligne m\u00e9caniquement la longueur du vecteur des probabilit\u00e9s calcul\u00e9es par rapport \u00e0 la taille originelle de la base de test.<\/p>\n

Pour contourner ce pi\u00e8ge, deux approches m\u00e9thodologiques se distinguent. La suppression par liste compl\u00e8te (complete case analysis<\/em>) consiste \u00e0 filtrer pr\u00e9alablement le jeu de test en ne retenant que les individus sans aucune valeur manquante sur les variables du mod\u00e8le. Bien que m\u00e9thodologiquement simple, cette approche peut amoindrir la repr\u00e9sentativit\u00e9 de l’\u00e9chantillon si les donn\u00e9es ne sont pas manquantes de fa\u00e7on compl\u00e8tement al\u00e9atoire (MCAR). L’alternative recommand\u00e9e consiste \u00e0 d\u00e9ployer une proc\u00e9dure d’imputation multiple par \u00e9quations cha\u00een\u00e9es via le package mice<\/a> en amont de l’analyse, pr\u00e9servant ainsi la taille de la cohorte et la structure des variances d’\u00e9chantillonnage.<\/p>\n

Enfin, l’analyste doit inspecter les cas limites et les profils cliniques atypiques. La pr\u00e9sence d’observations affichant des r\u00e9sidus de Pearson excessifs ou des valeurs de distance de Cook \u00e9lev\u00e9es dans le jeu d’apprentissage peut exercer une influence d\u00e9mesur\u00e9e sur les estimations des pentes logistiques, d\u00e9calant ainsi la calibration des probabilit\u00e9s de l’ensemble du mod\u00e8le. Un filtrage m\u00e9thodique des valeurs extr\u00eames non plausibles ou une analyse de sensibilit\u00e9 garantit que les trajectoires ROC refl\u00e8tent les v\u00e9ritables propri\u00e9t\u00e9s du mod\u00e8le et non les singularit\u00e9s isol\u00e9es d’une poign\u00e9e d’individus d\u00e9viants.<\/p>\n

4. L’\u00e9cosyst\u00e8me R : Biblioth\u00e8ques d\u00e9di\u00e9es au trac\u00e9 ROC avec ggplot2<\/h2>\n

Le langage R dispose d’une richesse algorithmique exceptionnelle pour l’analyse des courbes ROC. Cependant, la pluralit\u00e9 des extensions disponibles engendre parfois des h\u00e9sitations techniques quant au choix de la strat\u00e9gie logicielle la plus adapt\u00e9e aux exigences de publication acad\u00e9mique.<\/p>\n

4.1 Le package ggplot2 et la grammaire des graphiques<\/h3>\n

Con\u00e7u par Hadley Wickham en impl\u00e9mentant les concepts th\u00e9oriques de Leland Wilkinson, le package ggplot2<\/a> a profond\u00e9ment renouvel\u00e9 la visualisation des donn\u00e9es en informatique statistique. Son architecture repose sur une d\u00e9composition rigoureuse des figures en couches superpos\u00e9es autonomes : la d\u00e9finition des donn\u00e9es sources, la sp\u00e9cification du syst\u00e8me de coordonn\u00e9es cart\u00e9siennes, l’application d’\u00e9chelles de transformation m\u00e9trique et, fondamentalement, l’association d\u00e9clarative entre les variables du tableau de donn\u00e9es et les propri\u00e9t\u00e9s visuelles de la g\u00e9om\u00e9trie (l’esth\u00e9tique, d\u00e9clar\u00e9e via la fonction aes()<\/code>).<\/p>\n

Cette approche offre un contraste saisissant avec les routines de tra\u00e7age de base fournies nativement par R (telles que la primitive plot()<\/code>). Si les fonctions de base permettent de visualiser rapidement des coordonn\u00e9es avec une concision apparente, elles deviennent particuli\u00e8rement fastidieuses d\u00e8s qu’il s’agit de g\u00e9rer des superpositions multi-courbes complexes, de modifier harmonieusement les palettes chromatiques, d’int\u00e9grer des bandes d’intervalles de confiance semi-transparentes ou d’harmoniser la typographie globale selon les crit\u00e8res \u00e9ditoriaux d’une revue internationale. ggplot2<\/em> conf\u00e8re une reproductibilit\u00e9 absolue et une modularit\u00e9 totale : chaque composant visuel d’une courbe ROC peut \u00eatre alt\u00e9r\u00e9, remplac\u00e9 ou augment\u00e9 de fa\u00e7on ind\u00e9pendante sans d\u00e9stabiliser la coh\u00e9rence du rendu global.<\/p>\n

4.2 Le package pROC et sa compatibilit\u00e9 avec ggplot2<\/h3>\n

Parmi l’arsenal des extensions d\u00e9di\u00e9es \u00e0 l’\u00e9valuation diagnostique, le package pROC<\/a>, d\u00e9velopp\u00e9 initialement par Xavier Robin et ses collaborateurs en 2011, s’impose comme l’une des r\u00e9f\u00e9rences les plus compl\u00e8tes et les plus rigoureuses sur le plan math\u00e9matique. Il int\u00e8gre une panoplie exhaustive d’outils statistiques avanc\u00e9s : calcul d’intervalles de confiance analytiques ou par r\u00e9\u00e9chantillonnage de bootstrap, tests de comparaison multivari\u00e9s (notamment le test de DeLong), s\u00e9lection formelle de seuils d’optimisation bas\u00e9s sur l’indice de Youden ou des fonctions de co\u00fbt personnalis\u00e9es, et estimation d’aires partielles sous la courbe.<\/p>\n

Conscient de l’h\u00e9g\u00e9monie graphique grandissante de ggplot2<\/em>, l’\u00e9quipe de pROC<\/em> a introduit la fonction d\u00e9di\u00e9e ggroc()<\/code>. Cette m\u00e9thode prend en entr\u00e9e directe un objet statistique de classe roc<\/code> (ou une liste d’objets pour les comparaisons multiples) et le convertit instantan\u00e9ment en un objet natif ggplot<\/code>. Cette passerelle technique r\u00e9alise une synth\u00e8se remarquable : elle d\u00e9l\u00e8gue le moteur computationnel intensif aux routines optimis\u00e9es en C++ de pROC<\/em> tout en permettant \u00e0 l’utilisateur de continuer \u00e0 enrichir la figure \u00e0 l’aide des couches canoniques usuelles de ggplot2<\/em> (theme_classic()<\/code>, annotate()<\/code>, labs()<\/code>, etc.).<\/p>\n

4.3 Le package plotROC pour une approche nativement d\u00e9clarative<\/h3>\n

\u00c0 la diff\u00e9rence de pROC<\/em> qui n\u00e9cessite une \u00e9tape interm\u00e9diaire de calcul statistique pour g\u00e9n\u00e9rer un objet sp\u00e9cifique avant son affichage, le package plotROC<\/a>, con\u00e7u par Michael C. Sachs, propose une int\u00e9gration directe et native au sein de la grammaire de ggplot2<\/em>. Il impl\u00e9mente une couche g\u00e9om\u00e9trique d\u00e9di\u00e9e d\u00e9nomm\u00e9e geom_roc()<\/code>.<\/p>\n

Dans ce paradigme hautement d\u00e9claratif, l’utilisateur transmet directement son tableau de donn\u00e9es brutes non agr\u00e9g\u00e9 \u00e0 la fonction ggplot()<\/code>. Les correspondances esth\u00e9tiques lient directement la variable d’observation binaire (assign\u00e9e \u00e0 l’esth\u00e9tique d<\/code> pour disease<\/em>) et le score continu ou la probabilit\u00e9 pr\u00e9dite (assign\u00e9e \u00e0 l’esth\u00e9tique m<\/code> pour marker<\/em>). L’algorithme calcule dynamiquement les points de la courbe lors du rendu graphique. De surcro\u00eet, plotROC<\/em> brille par son aptitude \u00e0 afficher automatiquement les \u00e9tiquettes textuelles des valeurs seuils de coupure le long du trac\u00e9 et propose m\u00eame des fonctions d’exportation vers des visualisations interactives au format SVG ou Shiny, facilitant l’exploration heuristique des compromis diagnostiques.<\/p>\n

5. Construction manuelle d’une courbe ROC avec ggplot2 pur<\/h2>\n

Avant d’utiliser des packages pr\u00e9-emball\u00e9s, appr\u00e9hender la d\u00e9rivation manuelle d’une courbe ROC constitue un exercice p\u00e9dagogique inestimable. Cette d\u00e9marche permet de d\u00e9mystifier les algorithmes sous-jacents et conf\u00e8re une autonomie conceptuelle totale pour b\u00e2tir des visualisations hautement personnalis\u00e9es sans d\u00e9pendances superflues.<\/p>\n

5.1 Algorithme de calcul des seuils de discrimination<\/h3>\n

La d\u00e9rivation programmatique d’une courbe ROC repose sur une s\u00e9quence algorithmique vectoris\u00e9e. Soit un \u00e9chantillon compos\u00e9 de N<\/em> observations pour lesquelles sont associ\u00e9es une issue binaire observ\u00e9e y\u1d62<\/em> \u2208 {0, 1} et une probabilit\u00e9 d’occurrence estim\u00e9e p\u1d62<\/em> \u2208 [0, 1]. L’algorithme se structure en plusieurs \u00e9tapes successives :<\/p>\n