Mottaker Operating Characteristic (ROC) kurven er et grafisk verktøy som brukes til å evaluere ytelsen til klassifiseringsmodeller. Det illustrerer avhandlingen mellom ekte positiv hastighet og falsk positiv hastighet på tvers av ulike terskelinnstillinger. Forstå hvordan du tolker og beregner ROC kurver er avgjørende for å vurdere modell effektivitet.

Hva er en ROC-kurve?

En ROC-kurve viser den sanne positive hastigheten (følsomhet) mot den falske positive hastigheten (1-spesifikkhet) på ulike terskelnivåer. Den gir en visuel representasjon av en modells evne til å skille mellom klasser. Jo nærmere kurven følger det øverste venstre hjørne, jo bedre modellens ytelse.

Hvordan beregne en ROC-kurve

Beregne en ROC-kurve innebærer følgende trinn:

  • Oppfatte forventet sannsynlighet fra modellen for hvert datapunkt.
  • Sett flere terskelverdier som strekker seg over intervallet av forventet sannsynlighet.
  • For hver terskel klassifiserer datapunkter som positive eller negative.
  • Beregn den sanne positive hastigheten og falsk positive hastigheten ved hver terskel.
  • Plot disse hastighetene for å danne ROC kurven.

Tolker ROC-kurven

Området under ROC-kurven (AUC) kvantifiserer den totale evne til å diskriminere mellom klasser. En AUC på 0,5 indikerer ingen diskriminering, som tilsvarer tilfeldig gjetting. En AUC på 1,0 indikerer perfekt klassifisering.

Anvendelser av ROC-kurver

ROC kurver brukes mye i ulike felt som medisin, finans og maskinlæring for å sammenligne modeller, velge optimale terskelverdier og evaluere klasseifier ytelse. De bidrar til å forstå avhandlingene som er involvert i ulike beslutningsgrenser.