我试图弄清楚 pROC 包中使用了哪些算法来进行 ROC 分析。例如，什么算法对应于条件“算法==2”？我最近才开始将 R 与 Python 结合使用，因为可以轻松找到 CI 估计、显着性测试结果等。我的 Python 代码使用线性判别分析来获得二进制分类问题的结果。当使用 pROC 包计算 AUC、敏感性、特异性等的置信区间估计时，我所要做的就是加载我的数据并运行包。我在使用 pROC 时得到的 AUC 与我使用线性判别分析 (LDA) 的 Python 代码返回的 AUC 相同。为了能够报告一致的结果，我试图找出 LDA 是否是 pROC 中的算法选择之一？关于这个或如何解决这个问题的任何想法都会非常有帮助。我在哪里可以访问 pROC 的源代码？
【问题讨论】：
标签： proc-r-package
在2011 BMC Bioinformatics paper 中描述了 pROC 的核心算法。稍后添加的一些算法在@987654322@ 中进行了描述。与每个 CRAN 软件包一样，源代码可从 CRAN package page 获得。现在有很多 R 包，它是 also on GitHub。
为了具体回答您的问题，不幸的是，我没有很好的参考算法来计算algorithm 2 的 ROC 曲线点。通过查看它，您会发现它最终等同于标准 ROC曲线算法，尽管当阈值数量增加时效率更高，如I tried to explain in this answer to a question on Cross Validated。但你必须相信我（以及大多数计算 ROC 曲线的软件包）。
您使用哪种二元分类器，无论是 LDA 还是其他，都与 ROC 分析无关，并且超出了 pROC 的范围。 ROC 分析是评估来自二元分类器的预测、分数或更一般地信号的通用方法。它不评估二元分类器本身或信号检测器，只评估信号本身。这使得比较不同的分类方法变得非常容易，并且有助于 ROC 分析的成功。
【讨论】：