靈敏度 ✕ 特異度 ✕ ROC曲線

在開發檢測方法的時候，通常都會有許多參數可以調整。例如說：

• 提高靈敏度Sensitivity：故意把預測陽性的數目增多
• 提高特異度Specificity：故意把預測陰性的數量增多

這時候需要一個方法來估算某檢測方法的好壞。其中一種方式就是畫出某種檢測方法的ROC curve（Receiver Operating Characteristic curve見維基百科上面的範例圖）：

• y軸 = Sensitivity = TPR：故y值越大越好
• x軸 = 1 - Specificity = 1 - FPR：x值越小越好

對於多個檢測方法的比較則可畫在同一張ROC上面，例如說此範例圖：

• 越靠近ROC這張圖的左上角越好
• 靠近對角線代表檢測方法跟隨機亂猜差不多
• 越靠近右下方代表是越強的反指標，也是很好

要量化每個ROC curve，則是計算ROC curve下方的面積，稱之為AUC（Area under the Curve of ROC），這個數值介在0到1之間（見危機百科上的範例圖）：

• AUC = 1：完美的檢測方法
• 0.5 < AUC < 1：越大則越好
• AUC = 0.5：隨機亂猜，也就是對角線
• 0 ≤ AUC < 0.5：反指標，通常就會把預測的陽性陰性交換過來

參考資料

• 混淆矩陣之 Sensitivity vs. Specificity
• 《Receiver operating characteristic》
• 《接收者操作特徵曲線》

_EOF_