Построение кривой ROC в glmnet

РЕДАКТИРОВАТЬ: как Двин указал в комментариях, приведенный ниже код не для кривой ROC. Кривая ROC должна быть проиндексирована в вариации t, а не lambda (как я делаю ниже). Я отредактирую приведенный ниже код, когда у меня будет возможность.

Ниже представлена ​​моя попытка создать кривую ROC для glmnet, предсказывающую двоичный результат. Я смоделировал матрицу, которая аппроксимирует результаты glmnet в приведенном ниже коде. Как некоторые из вас знают, учитывая матрицу входных данных n x p, glmnet выводит матрицу предсказанных вероятностей n x 100 [$ \ Pr (y_i = 1) $] для 100 различных значений лямбды. Результат будет меньше 100, если дальнейшие изменения лямбда перестанут увеличивать предсказательную силу. Смоделированная матрица предсказанных вероятностей glmnet ниже представляет собой матрицу 250x69.

Во-первых, есть ли более простой способ построить кривую ROC для glmnet? Во-вторых, если нет, кажется ли, что приведенный ниже подход верен? В-третьих, нужно ли мне отображать (1) вероятность ложных / истинных срабатываний ИЛИ (2) просто наблюдаемую частоту ложных / истинных срабатываний?

set.seed(06511)

# Simulate predictions matrix
phat = as.matrix(rnorm(250,mean=0.35, sd = 0.12))
lambda_effect = as.matrix(seq(from = 1.01, to = 1.35, by = 0.005))
phat = phat %*% t(lambda_effect)


#Choose a cut-point
t = 0.5

#Define a predictions matrix
predictions = ifelse(phat >= t, 1, 0)

##Simulate y matrix
y_phat = apply(phat, 1, mean) + rnorm(250,0.05,0.10)
y_obs = ifelse(y_phat >= 0.55, 1, 0)

#percentage of 1 observations in the validation set, 
p = length(which(y_obs==1))/length(y_obs)

#   dim(testframe2_e2)

#probability of the model predicting 1 while the true value of the observation is 0, 
apply(predictions, 1, sum)

## Count false positives for each model
## False pos ==1, correct == 0, false neg == -1
error_mat = predictions - y_obs
## Define a matrix that isolates false positives
error_mat_fp = ifelse(error_mat ==1, 1, 0)
false_pos_rate = apply(error_mat_fp, 2,  sum)/length(y_obs)

# Count true positives for each model
## True pos == 2, mistakes == 1, true neg == 0
error_mat2 = predictions + y_obs
## Isolate true positives
error_mat_tp = ifelse(error_mat2 ==2, 1, 0)
true_pos_rate = apply(error_mat_tp, 2,  sum)/length(y_obs)


## Do I care about (1) this probability OR (2) simply the observed rate?
## (1)
#probability of false-positive, 
p_fp = false_pos_rate/(1-p)
#probability of true-positive, 
p_tp = true_pos_rate/p

#plot the ROC, 
plot(p_fp, p_tp)


## (2)
plot(false_pos_rate, true_pos_rate)

По этому поводу есть один вопрос по SO, но ответ был грубым и не совсем правильным: glmnet lasso Графики ROC