2019年7月5日 星期五

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

_EOF_

沒有留言:

張貼留言