Какие алгоритмы используются в пакете pROC для анализа ROC?

Question

Я пытаюсь выяснить, какие алгоритмы используются в пакете pROC для проведения анализа ROC. Например, какой алгоритм соответствует условию «алгоритм == 2»? Я только недавно начал использовать R вместе с Python из-за простоты поиска оценок CI, результатов значимых тестов и т. Д. Мой код Python использует Linear Discriminant Analysis для получения результатов по проблеме двоичной классификации. При использовании пакета pROC для вычисления оценок доверительных интервалов для AUC, чувствительности, специфичности и т. Д. Все, что мне нужно сделать, это загрузить мои данные и запустить пакет. AUC, который я получаю при использовании pROC, такой же, как и AUC, который возвращается моим кодом Python, использующим линейный дискриминантный анализ (LDA). Чтобы иметь возможность сообщать о последовательных результатах, я пытаюсь выяснить, является ли LDA одним из вариантов выбора алгоритма в pROC? Любые идеи по этому поводу или как выяснить это были бы очень полезны. Где я могу получить доступ к исходному коду для pROC?

Answer 1

Основные алгоритмы pROC описаны в документе 2011 BMC Bioinformatics .Некоторые алгоритмы, добавленные позже, описаны в руководстве PDF .Как и любой пакет CRAN, исходный код доступен на странице пакета CRAN .Как и многие пакеты R в наши дни, это также на GitHub .

Чтобы конкретно ответить на ваш вопрос, к сожалению, у меня нет хороших ссылок на алгоритм для вычисления точек кривой ROCс algorithm 2. Посмотрев на него, вы поймете, что он в конечном итоге эквивалентен стандартному алгоритму кривой ROC, хотя и более эффективен при увеличении числа порогов, как Я пытался объяснить в этом ответе на вопрос о КрестеУтвержденные .Но вы должны верить мне (и большинству пакетов, вычисляющих кривые ROC) на нем.

Какой двоичный классификатор вы используете, будь то LDA или другой, не имеет отношения к анализу ROC и выходит за рамки pROC.ROC-анализ - это общий способ оценки прогнозов, оценок или, в более общем смысле, сигналов, поступающих из двоичного классификатора.Он не оценивает сам двоичный классификатор или детектор сигнала, а только сам сигнал.Это позволяет очень легко сравнивать различные методы классификации и способствует успеху анализа ROC в целом.