2つのクラスに対してテストしているいくつかのEEGデータセットがあります。LDAからまともなエラー率を得ることができます（クラス条件付き分布はガウス分布ではありませんが、類似したテールと十分な分離があります）。したがって、LDA予測子のROCを他の対象からのデータセットに対してプロットします。
以下は、単一の試行に対してテストされた予測子の典型的なグラフです。
私はいくつかの異なるパッケージ（pROCとROCR）を試しましたが、結果は一貫しています。私の質問は、鋭い肘とは何ですか？それはLDAによって生成された投影のアーチファクトだけですか、つまり、分類器のパフォーマンスが急落する「崖」が偶然ありますか？
回答:
完璧なROC「カーブ」は、鋭い曲がりを持つ形になります。あなたが持っているパフォーマンスは、完璧に近い分離です。また、曲線を作成するポイントが不足しているようです。
この質問は3年ほど前に尋ねられましたが、しばらくの間戸惑って困った後、ここで答えることが役立つと思います。グラウンドトゥルースの出力が0,1で、予測が0,1の場合、角度の形のエルボが得られます。予測またはグラウンドトゥルースが信頼値または確率（たとえば[0,1]の範囲）である場合、湾曲したエルボが得られます。
鋭い曲線は点の欠如が原因であるという点で、私はジョンに同意します。具体的には、モデルのバイナリ予測（つまり1/0）と観測されたラベル（つまり1/0）を使用したようです。このため、3つのポイントがあり、1つはInfのカットオフを想定し、1つは0のカットオフを想定し、最後は1のカットオフを想定します。これはモデルのTPRおよびFPRによって与えられ、あなたのグラフ。
代わりに、予測クラスの確率（0と1の間の値）と観測されたラベル（つまり1/0）を使用する必要があります。これにより、グラフ上のポイントの数が、固有の確率の数（Infの場合は1）に等しくなります。したがって、100の一意の確率がある場合、さまざまなカットオフのそれぞれについてグラフ上の101ポイントになります。