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，因为很容易找到CI估计值，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元分类问题的结果。使用 pROC 软件包计算 AUC、灵敏度、特异性等的置信区间估计值时，我所要做的就是加载数据并运行该软件包。使用 pROC 时获得的 AUC 与使用线性判别分析 (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？关于这一点或如何解决这个问题的任何想法都将非常有帮助。在哪里可以访问 pROC 的源代码？
pROC 的核心算法在 2011 年 BMC 生物信息学论文中进行了描述。稍后添加的一些算法在 PDF 手册中进行了描述。与每个 CRAN 软件包一样，源代码可从 CRAN 软件包页面获得。如今，许多R包也在GitHub上。
为了具体回答您的问题，不幸的是，我没有一个很好的参考算法来计算 ROC 曲线的点algorithm2。通过查看它，您将意识到它最终等效于标准 ROC 曲线算法，尽管当阈值数量增加时更有效，正如我试图在交叉验证问题的回答中解释的那样。但是你必须相信我(以及大多数计算 ROC 曲线的软件包)。
您使用的二元分类器(无论是 LDA 还是其他分类器)与 ROC 分析无关，并且不在 pROC 的范围之内。ROC 分析是评估来自二元分类器的预测、分数或更一般的信号的通用方法。它不评估二进制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。