有人可以解释R中pROC包的roc（）函数中“ Control”和“ Cases”选项的含义以及如何使用它，并检查数据集中没有可用的控件和案例吗？
答案 0 :(得分：1)
来自help(roc)：
控件，案例 可以使用两个数值或有序向量来提供数据，而不是使用预测值作为响应，而包含控制和案例观察的预测值。
通常在分类设置中使用roc曲线，其中有两个带标记的类向量（R中的factor()），一个是预测的标记，另一个是真值，每个obs都被标记了。
其他时候，您可以有一个对照组（例如在医学场景中），并且可以给该函数一个控件（一个数字向量）或一个案例（一个因子向量）。
对照组基本上是您不接受治疗的人群的一部分。
再次使用help函数：
数据可以作为响应，预测变量提供，其中预测变量是所评估信号的数字（或有序）电平，响应对观察类别（控件或案例）进行编码。 level参数指定必须将哪个响应级别作为控件（级别的第一个值）或案例（第二个）。当响应编码为0和1时，可以放心地忽略它，但是否则它将经常失败。默认情况下，采用level（as.factor（response））的前两个值，其余的级别将被忽略。这意味着，如果您的回答编码为“控制”和“案例”，则级别将相反。
在某些情况下，将数据作为控件，案例传递更为方便，但是如果将response，predictor指定为非NULL值，则将忽略两个参数。也可以通过带有density.controls，density.cases的密度数据传递，即使即使smooth = FALSE，也将导致平滑的ROC曲线，但是如果提供了响应，预测变量或控件，则将被忽略。
data(aSAH)
# With numeric controls/cases
roc(controls=aSAH$s100b[aSAH$outcome=="Good"], cases=aSAH$s100b[aSAH$outcome=="Poor"])
# With ordered controls/cases
roc(controls=aSAH$wfns[aSAH$outcome=="Good"], cases=aSAH$wfns[aSAH$outcome=="Poor"])
答案 1 :(得分：0)
在二进制分类中，您总是有两个组。这些组之一将与您要检测的事物对应的观察结果。根据您的研究领域，可以用几种方法来称呼它，但是常用术语包括 hit ， positive 或 case 。
通过对比，将没有想要检测的观测标记为阴性， miss 或 control 。
因此在pROC中，这称为 control 和 case ，但您可以将其视为阴性和阳性。
您无需检查可用控件和案例的数量。 pROC会为您进行此检查，并且在print曲线时会报告实际使用的数字。
答案 2 :(得分：-1)
这是与特定情况有关还是与ROC曲线的功能有关？ 如果您被困在ROC曲线项目中的R中，请写下代码。当您举一个例子时，更容易解释这一点。