（1）线性检验：
即检验校准曲线的精密度。对于以4～6个浓度单位所获得的测量信号值绘制的校准曲线，分光光度法一般要求其相关系数|r|≥0.9990，否则应找出原因并加以纠正，重新绘制合格的校准曲线。
（2）截距检验：
即检验校准曲线的准确度，在线性检验合格的基础上，对其进行线性回归，得出回归方程y=a+bx，然后将所得截距a与0作t检验，当取95%置信水平，经检验无显著性差异时，a可做0处理，方程简化为y=bx，移项得x=y/b。在线性范围内，可代替查阅校准曲线，直接将样品测量信号值经空白校正后，计算出试样浓度。
当a与0有显著性差异时，表示校准曲线的回归方程计算结果准确度不高，应找出原因予以校正后，重新绘制校准曲线并经线性检验合格。在计算回归方程，经截距检验合格后投入使用。
回归方程如不经上述检验和处理，就直接投入使用，必将给测定结果引入差值相当于解决a的系统误差。
（3）斜率检验：
即检验分析方法的灵敏度，方法灵敏度是随实验条件的变化而改变的。在完全相同的分析条件下，仅由于操作中的随机误差导致的斜率变化不应超出一定的允许范围，此范围因分析方法的精度不同而异。例如，一般而言，分子吸收分光光度法要求其相对差值小于5%，而原子吸收分光光度法则要求其相对差值小于10%等等。答案来自
R语言利用caret包比较ROC曲线我们之前探讨了多种算法，每种算法都有优缺点，因而当我们针对具体问题去判断选择那种算法时，必须对不同的预测模型进行重做评估。为了简化这个过程，我们使用caret包来生成并比较不同的模型与性能。
操作
加载对应的包与将训练控制算法设置为10折交叉验证，重复次数为3：
library(ROCR)
library(e1071)
library("pROC")
library(caret)
library("pROC")
control = trainControl(method = "repaetedcv",
number = 10,
repeats =3,
classProbs = TRUE,
summaryFunction = twoClassSummary)
使用glm在训练数据集上训练一个分类器
glm.model = train(churn ~ .,
data= trainset,
method = "glm",
metric = "ROC",
trControl = control)
使用svm在训练数据集上训练一个分类器
svm.model = train(churn ~ .,
data= trainset,
method = "svmRadial",
metric = "ROC",
trControl = control)
使用rpart函数查看rpart在训练数据集上的运行情况
rpart.model = train(churn ~ .,
data = trainset,
method = "svmRadial",
metric = "ROC",
trControl = control)
使用不同的已经训练好的数据分类预测：
glm.probs = predict(glm.model,testset[,!names(testset) %in% c("churn")],type = "prob")
svm.probs = predict(svm.model,testset[,!names(testset) %in% c("churn")],type = "prob")
rpart.probs = predict(rpart.model,testset[,!names(testset) %in% c("churn")],type = "prob")
生成每个模型的ROC曲线，将它们绘制在一个图中：
glm.ROC = roc(response = testset[,c("churn")],
predictor = glm.probs$yes,
levels = levels(testset[,c("churn")]))
plot(glm.ROC,type = "S",col = "red")
svm.ROC = roc(response = testset[,c("churn")],
predictor = svm.probs$yes,
levels = levels(testset[,c("churn")]))
plot(svm.ROC,add = TRUE,col = "green")
rpart.ROC = roc(response = testset[,c("churn")],
predictor = rpart.probs$yes,
levels = levels(testset[,c("churn")]))
plot(rpart.ROC,add = TRUE,col = "blue")
三种分类器的ROC曲线
说明将不同的分类模型的ROC曲线绘制在同一个图中进行比较，设置训练过程的控制参数为重复三次的10折交叉验证，模型性能的评估参数为twoClassSummary,然后在使用glm,svm,rpart,三种不同的方法建立分类模型。
从图中可以看出，svm对训练集的预测结果（未调优）是三种分类算法里最好的。
