수신기 작동 특성 (ROC) 곡선은 분류 모형의 성과를 평가하기 위하여 이용된 그래픽 도구입니다. 그것은 다른 문턱 조정의 맞은편에 진실한 긍정적인 비율 및 거짓 긍정적인 비율 사이 무역 떨어져 설명합니다. 해석하고 계산하는 방법을 이해하는 것은 모형 효율성을 평가하기를 위해 근본적입니다.

ROC 곡선은 무엇입니까?

ROC 곡선은 다양한 임계 값 레벨에서 false 긍정적 인 비율 (1-specificity)에 대한 진정한 긍정적 인 비율 (감도)을 그릴 수 있습니다. 그것은 클래스 사이에 구별하는 모델의 능력을 시각적 표현합니다. 곡선이 왼쪽 모서리를 따라 모델의 성능이 더 나은 곡선을 따릅니다.

ROC 곡선을 계산하는 방법

ROC 곡선을 계산하는 것은 다음과 같습니다.

  • 각 데이터 포인트에 대한 모델에서 예측된 확률을 얻습니다.
  • 예상 확률의 범위를 넓히는 여러 임계값을 설정합니다.
  • 각 임계값을 위해, 데이터 포인트를 긍정적 또는 부정적인 분류하십시오.
  • 각 임계 값에서 진정한 긍정적 인 비율과 false 긍정적 인 비율을 계산합니다.
  • ROC 곡선을 형성하기 위해 이러한 비율을 뽑습니다.

ROC 곡선을 해석

ROC 곡선 (AUC)의 영역은 클래스 사이에 차별하는 모델의 전반적인 능력을 정량화합니다. 0.5의 AUC는 임의 추측과 동등하지 않습니다. 1.0의 AUC는 완벽한 분류를 나타냅니다.

ROC 곡선의 신청

ROC 곡선은 의학, 금융, 기계 학습과 같은 다양한 분야에서 널리 사용되고 모델, 최적의 임계값을 선택하고, 클래스터 성능을 평가합니다. 그들은 다른 결정 임계 값에 관련된 무역 오프를 이해하는 데 도움이됩니다.