منحنی شخصیت ساز (ROC) یک ابزار گرافیکی است که برای ارزیابی عملکرد مدل های طبقه بندی استفاده می شود.این نشان دهنده معامله بین نرخ مثبت واقعی و نرخ مثبت کاذب در تنظیمات مختلف آستانه است. درک چگونگی تفسیر و محاسبه منحنی های ROC برای ارزیابی اثربخشی مدل ضروری است.

ROC Curve چیست؟

منحنی ROC نرخ مثبت واقعی (حساسیت) را در برابر نرخ مثبت کاذب (۱خصوص) در سطوح مختلف آستانه قرار می دهد، یک نمایش بصری از توانایی یک مدل برای تمایز بین طبقات فراهم می کند. منحنی نزدیک تر از گوشه سمت چپ بالا، عملکرد مدل بهتر است.

چگونه یک ROC را محاسبه کنیم

محاسبه یک منحنی ROC شامل مراحل زیر است:

  • به دست آوردن احتمالات پیش بینی شده از مدل برای هر نقطه داده.
  • تعیین مقدار آستانه متعدد شامل طیف وسیعی از احتمالات پیش بینی شده است.
  • برای هر آستانه، نقاط داده را به عنوان مثبت یا منفی طبقه بندی کنید.
  • نرخ مثبت واقعی و نرخ مثبت کاذب در هر آستانه را محاسبه کنید.
  • این نرخ ها را برای شکل دادن به منحنی ROC خلاصه کنید.

دانلود بازی ROC Curve

منطقه تحت منحنی ROC (AUC) توانایی کلی مدل را برای تبعیض بین کلاس ها اندازه گیری می کند. AnUC از 0.5 هیچ تبعیضی را نشان نمی دهد، معادل حدس زدن تصادفی. AnUC از 1.0 نشان دهنده طبقه بندی کامل است.

برنامه های ROC Curves

منحنی های ROC به طور گسترده در زمینه های مختلف مانند پزشکی، امور مالی و یادگیری ماشین برای مقایسه مدل ها، انتخاب آستانه های بهینه و ارزیابی عملکرد طبقه بندی استفاده می شود.آنها در درک معاملات درگیر در آستانه های مختلف تصمیم گیری کمک می کنند.