ROC-кривая

ROC-кривые трёх методов предсказания эпитопов

ROC-кривая (англ. receiver operating characteristic, операционная характеристика приёмника) — график, позволяющий оценить качество бинарной классификации, отображает соотношение между долей верных положительных классификаций от общего числа положительных классификаций (англ. true positive rate, $\mathrm{TPR}$, называемой чувствительностью алгоритма классификации) с долей ошибочных положительных классификаций от общего числа отрицательных классификаций (англ. false positive rate, $\mathrm{FPR}$, величина $1-\mathrm{FPR}$ называется специфичностью алгоритма классификации) при варьировании порога решающего правила.

Также известна как кривая ошибок. Анализ классификаций с применением ROC-кривых называется ROC-анализом.

Количественную интерпретацию ROC даёт показатель AUC (англ. area under ROC curve, площадь под ROC-кривой) — площадь, ограниченная ROC-кривой и осью доли ложных положительных классификаций. Чем выше показатель AUC, тем качественнее классификатор, при этом значение 0,5 демонстрирует непригодность выбранного метода классификации (соответствует случайному гаданию).

Применение

ROC-кривые впервые использованы в теории обработки сигналов в США во время Второй мировой войны для повышения качества распознавания объектов противника по радиолокационному сигналу.

Впоследствии широкое применение ROC-кривые получили в медицинской диагностике, управлении качеством продукции, в кредитном скоринге.

См. также

• Модель бинарного выбора
• Логистическая регрессия