ROC 분석

ROC(Receiver operating characteristic) 분석은 (임계값이 진단 검정 결과의 전체 범위에서 다양하므로) 분류 검정의 민감도 대 (1 - 특이도)를 도표화하여 모형 예측의 정확도를 평가하기 위한 유용한 방법입니다. 주어진 ROC 곡선 아래의 전체 영역 (AUC) 은 검정 변수가 관측될 때 예측이 올바른 순서가 될 확률을 나타내는 중요한 통계를 공식화합니다 (케이스 그룹에서 무작위로 선택된 한 개체와 대조군에서 무작위로 선택된 다른 개체에 대해). ROC 분석은 단일 AUC, 정밀도-재현율(PR) 곡선 관련 추론을 지원하며, 독립 집단 또는 대응 개체에서 생성되는 두 개의 ROC 곡선을 비교하는 옵션을 제공합니다.

이전 ROC 곡선 프로시저는 단일 ROC 곡선에 대한 통계적 추론을 지원합니다. 이는 새 ROC 분석 프로시저에 의해 복구될 수도 있습니다. 또한 새 ROC 분석 프로시저는 독립 집단 또는 대응 개체에서 생성된 두 개의 ROC 곡선을 비교할 수 있습니다.

PR 곡선은 정밀도 대 재현율을 도표화하고, 관측 데이터 표본이 상당히 왜곡되었을 때 더 많은 정보를 제공하는 경향이 있으며 계층 분포에서 왜곡이 심한 데이터의 경우 ROC 곡선에 대한 대안을 제공합니다.

예

채무를 변제할 고객과 변제하지 않을 고객으로 고객을 올바로 분류하는 것은 은행의 관심사이므로, 이러한 의사결정을 위해 특수 모형을 개발합니다. ROC 분석은 모형 예측의 정확도를 평가할 때 사용할 수 있습니다.

통계

AUC, 음수 집단, 결측값, 양의 분류, 분리점 값, 확신 강도, 양측 근사 신뢰구간, 분포, 표준오차, 독립 집단 계획, 대응 표본 계획, 비모수 가정, 이분형-음 지수 분포가정, 중심점, 절단점, PR 곡선, 단계 선택 보간법, 근사 유의확률(양측), 민감도 및 (1 - 특이도), 정밀도 및 재현율

방법

독립 집단 또는 대응 개체에서 생성된 두 ROC 곡선 아래의 영역을 비교합니다. 두 ROC 곡선을 비교하면 두 가지 비교 진단 접근법에서 정확도에 대한 더 많은 정보를 제공할 수 있습니다.