用于计算 AUC 的 pROC 包答案

【问题标题】：pROC package to compute AUC用于计算 AUC 的 pROC 包
【发布时间】：2012-05-11 01:31:04
【问题描述】：

看着 pROC 包，我对响应和预测器有点困惑：

response：响应的因子、数字或字符向量，通常用 0 编码（对照）和 1（病例）。物体。 ROC 中只能使用两个类曲线。如果向量包含两个以上的唯一值，或者它们的顺序可以是模棱两可的，使用级别来指定必须使用哪些值作为控制和案例价值。

predictor：一个数值向量，包含每个观察值。有序因子是强制转换为数字。

例如，如果我使用：

auc（响应，预测器）

响应是我的模型产生的事实和预测因素吗？

我的“真相”是 0 或 1，预测向量包含概率。

【问题讨论】：

【解决方案1】：

您似乎（几乎）正确地陈述了它。 ROC 曲线提供的答案是，如果知道真相，可以预期的正或负准确度。但是，最后一句话 a 是不正确的，因为您提供了 a）响应和 b）模型的测量值或分数，而不是概率。软件应在特定案例和对照中生成一系列不同水平截止值的表格后，返回并绘制特异性的敏感性和互补性。

信息最丰富的 ROC 图将标记 ROC 曲线上的截止值。当我使用那个包时没有这样的标签，我家宴搜索其他包。

【讨论】：

关于这个问题，我的分类器为试验产生值（0 或 1 就像真值一样，我认为这些被称为假设值），并且每次试验都会产生一个分数。因此，对于每个试验，我都有：真值、预测值和预测分数。如果我想使用 pROC，输入是什么？所以，我知道响应是真值，但我不知道预测变量是预测值还是预测分数。而在使用预测分数的情况下，我们不应该给程序任何阈值来决定这个分数是属于TP还是FP？
你应该发布一个带有示例数据的问题。
好的。所以也请考虑我的问题:)