要生成混淆矩阵，首先需要根据阈值分配预测结果（预测死亡，预测存活）。AUC是在数据中每个可能的阈值上计算的。在我的示例中，我任意选择了第二个最低的阈值来生成示例

#first assign a threshold
thres <- roc$thresholds[2]

#assign labels to your data according to the threshold
data$predicted_death <- data$score > thres

#convert to character vector to facilitate interpretation
data$predicted_death <-ifelse(data$predicted_death==1, "predicted_dead", "predicted_alive")
data$death <- ifelse(data$death==1, "dead", "alive")

#count the true positives, false positives, false negatives and true negatives in a confusion matrix using the R function table()
cm <- table(data$death, data$predicted_death)

我建议选择一个阈值来优化敏感性和特异性，例如约登指数。

混淆矩阵是一个表，其中|假阳性|负计数。
你可以用coords函数得到它（虽然不是一个表）：

> coords(roc, x=0.0805, ret=c("tn", "tp", "fn", "fp"))
#           tn tp fn fp
# threshold  2  2  0  1

您可以使用ci.coords函数获得置信区间：

> ci.coords(roc, x=0.0805, ret=c("tn", "tp", "fn", "fp"))
# 95% CI (2000 stratified bootstrap replicates):
#        threshold tn.low tn.median tn.high tp.low tp.median tp.high fn.low
# 0.0805    0.0805      0         2       3      2         2       2      0
#        fn.median fn.high fp.low fp.median fp.high
# 0.0805         0       0      0         1       3

您只需要将数据重新组织为您认为合适的表。