Howtosignalprocessing
- Skąd wiesz, która krzywa ROC jest lepsza?
- Jakie są ograniczenia krzywych ROC?
- Jak generowane są krzywe ROC?
- Którą miarę wydajności weźmie pod uwagę dla porównywania różnych modeli na podstawie krzywej ROC?
Skąd wiesz, która krzywa ROC jest lepsza?
Porównanie krzywych ROC
Im bliżej krzywej ROC znajduje się w lewym górnym rogu, tym bardziej wydajny jest test. Na ryc. Test XIII A jest lepszy od testu B, ponieważ we wszystkich odcinkach prawdziwa wskaźnik dodatni.
Jakie są ograniczenia krzywych ROC?
Wyniki zaufania używane do budowy krzywych ROC mogą być trudne do przypisania. Fałszywe pozytywne i fałszywie ujemne diagnozy mają różne koszty błędnej klasyfikacji. Nadmierna ekstrapolacja krzywej ROC jest niepożądana. Metody świadczeń netto mogą zapewnić bardziej znaczące i klinicznie interpretacyjne wyniki niż ROC AUC.
Jak generowane są krzywe ROC?
Krzywe ROC są graficznymi reprezentacjami relacji między wrażliwością a swoistością testu. Jest generowany przez wykreślenie ułamka prawdziwych pozytywów z całkowitej rzeczywistych pozytywów w porównaniu z ułamkiem fałszywych pozytywów z całkowitej rzeczywisty.
Którą miarę wydajności weźmie pod uwagę dla porównywania różnych modeli na podstawie krzywej ROC?
Obszar pod krzywą (AUC) jest miarą zdolności klasyfikatora do rozróżnienia klas i jest wykorzystywany jako podsumowanie krzywej ROC. Im wyższa AUC, tym lepsza wydajność modelu w rozróżnianiu klas dodatnich i ujemnych.
