Receiver operating characteristic (original) (raw)
受信者操作特性（じゅしんしゃそうさとくせい、英 Receiver Operating Characteristic, ROC）は、信号処理の概念で、観測された信号からあるものの存在を判定する際の基準となる特性である。臨床検査などでも用いられEBMの基礎をなすものの一つとなっている。受信者動作特性（じゅしんしゃどうさとくせい）、受信者応答特性（じゅしんしゃおうとうとくせい）とも訳される。
| Property | Value |
|---|---|
| dbo:abstract | ROC křivka (z anglického Receiver Operating Characteristic, operační charakteristika přijímače) je graf, který popisuje kvalitu v závislosti na nastavení jeho klasifikačního prahu. Binárním klasifikátorem se rozumí zařízení (nebo člověk) odhadující zařazení nějakých objektů nebo případů do dvou skupin, obecně označovaných jako pozitivní a negativní. Přitom se předpokládá, že objekty jsou charakterizovány nějakou vlastností (proměnnou) vyjádřenou číslem a že klasifikátor zařazuje do pozitivní skupiny právě ty, u kterých hodnota této proměnné přesáhne stanovený klasifikační práh (což je nějaké pevně dané číslo). Příkladem binárního klasifikátoru může být bankéř, který na základě nějaké osoby rozhoduje, zda jí lze (pozitivní) nebo nelze (negativní) úspěšně poskytnout úvěr. Klasifikátor na základě takového postupu může buď objekt zařadit správně, anebo se může dopustit chyby; navíc záleží i na tom, zda případ je, nebo není ve skutečnosti pozitivní. Lze tak rozlišit čtyři případy: 1. skutečný pozitivní (true positive, jejich počet se označuje TP; odpovídá situaci, kdy bankéř poskytne úvěr a klient ho řádně splatí), 2. skutečný negativní (true negative, TN; bankéř odmítne klienta, který by úvěr nesplatil), 3. falešný pozitivní čili falešný poplach (false positive, FP; poskytnutí úvěru klientovi, který peníze bance nevrátí) a 4. falešný negativní (false negative, FN; klient nedostane úvěr, i když by ho řádně splácel). Na základě uvedených počtů lze odhadnout pravděpodobnost detekce (true positive rate), označovanou také jako senzitivita, jako TPR = TP / počet pozitivních = TP / (TP + FN), a pravděpodobnost falešné pozitivity (false positive rate) jako FPR = FP / počet negativních = FP / (FP + TN). ROC křivka vynáší FPR na ose x a TPR na ose y pro všechny možné klasifikační prahy. Obě souřadnice klesají, když klasifikační práh roste: čím vyšší je klasifikační práh, tím méně případů klasifikujeme jako pozitivní, a tím také klesá senzitivita i pravděpodobnost falešné pozitivity, až nakonec obě čísla klesají k nule. Naopak s klesajícím prahem se obě hodnoty blíží k jedničce. ROC křivky proto propojují bod (0, 0) a bod (1, 1). V případě, že proměnná, na jejímž základě se klasifikátor rozhoduje, příliš nesouvisí s tím, zda je zkoumaný případ pozitivní nebo negativní, se bude ROC křivka podobat úsečce spojující tyto dva body – nebude výrazně zakřivená. Naopak pokud proměnná obsahuje podstatnou informaci o pozitivitě nebo negativitě zkoumaných případů a klasifikační práh je nastaven správně, bude odpovídající bod na ROC křivce ležet v blízkosti „optimálního“ bodu (0, 1), v němž nedochází k žádným falešným poplachům a všechny pozitivní objekty jsou odhaleny. Čím tedy je ROC křivka zakřivenější ve směru vzhůru, tím víc klasifikační proměnná obsahuje informace o zařazení objektů a tím je její použití pro danou klasifikační úlohu vhodnější. Jako souhrnné hodnocení klasifikační schopnosti proměnné se proto často používá plocha pod ROC křivkou. ROC křivky vznikly za druhé světové války při zkoumání schopností nově vynalezených radarů správně detekovat nepřátelská letadla. Postupně se rozšířily do psychologie, medicíny a dalších oborů, dnes se využívají velmi široce ve všech oblastech, kde se provádí klasifikace nějakých objektů na základě dat. (cs) Die ROC-Kurve (ROC: englisch für receiver operating characteristic bzw. deutsch Operationscharakteristik eines Beobachters), auch Grenzwertoptimierungskurve oder Isosensitivitätskurve genannt ist eine Methode zur Bewertung und Optimierung von Analysestrategien. Die ROC-Kurve stellt visuell die Abhängigkeit der Effizienz mit der Fehlerrate für verschiedene Parameterwerte dar. Sie ist eine Anwendung der Signalentdeckungstheorie. Die ROC-Kurve kann eingesetzt werden, um den bestmöglichen Wert eines Parameters zu finden, beispielsweise bei einem dichotomen (semi-)quantitativen Merkmal oder Zwei-Klassen-Klassifizierungsproblem. (de) En la teoría de detección de señales, una curva ROC (acrónimo de Receiver Operating Characteristic, o Característica Operativa del Receptor) es una representación gráfica de la sensibilidad frente a la especificidad para un sistema clasificador binario según se varía el umbral de discriminación. Otra interpretación de este gráfico es la representación de la razón o proporción de verdaderos positivos (VPR = Razón de Verdaderos Positivos) frente a la razón o proporción de falsos positivos (FPR = Razón de Falsos Positivos) también según se varía el umbral de discriminación (valor a partir del cual decidimos que un caso es un positivo). ROC también puede significar Relative Operating Characteristic (Característica Operativa Relativa) porque es una comparación de dos características operativas (VPR y FPR) según cambiamos el umbral para la decisión. En español es preferible mantener el acrónimo inglés, aunque es posible encontrar el equivalente español COR. No se suele utilizar ROC aislado, debemos decir “curva ROC” o “análisis ROC”. Sobre la historia del acrónimo ROC consultar Swets (1996). El análisis de la curva ROC, o simplemente análisis ROC, proporciona herramientas para seleccionar los modelos posiblemente óptimos y descartar modelos subóptimos independientemente de (y antes de especificar) el coste de la distribución de las dos clases sobre las que se decide. La curva ROC es también independiente de la distribución de las clases en la población (en diagnóstico, la prevalencia de una enfermedad en la población). El análisis ROC se relaciona de forma directa y natural con el análisis de coste/beneficio en toma de decisiones diagnósticas. La curva ROC se desarrolló por ingenieros eléctricos para medir la eficacia en la detección de objetos enemigos en campos de batalla mediante pantallas de radar, a partir de lo cual se desarrolla la Teoría de Detección de Señales (TDS). El análisis ROC se aplicó posteriormente en medicina, radiología, psicología y otras áreas durante varias décadas. Solo recientemente ha encontrado aplicación en áreas como aprendizaje automático (o machine learning en inglés), y minería de datos (data mining en inglés). (es) La fonction d’efficacité du récepteur, plus fréquemment désignée sous le terme « courbe ROC » (de l’anglais receiver operating characteristic, pour « caractéristique de fonctionnement du récepteur ») dite aussi caractéristique de performance (d'un test) ou courbe sensibilité/spécificité, est une mesure de la performance d'un classificateur binaire, c'est-à-dire d'un système qui a pour objectif de catégoriser des éléments en deux groupes distincts sur la base d'une ou plusieurs des caractéristiques de chacun de ces éléments. Graphiquement, on représente souvent la mesure ROC sous la forme d'une courbe qui donne le taux de vrais positifs (fraction des positifs qui sont effectivement détectés) en fonction du taux de faux positifs (fraction des négatifs qui sont incorrectement détectés). Les courbes ROC furent inventées pendant la Seconde Guerre mondiale pour montrer la séparation entre les signaux radar et le bruit de fond.[réf. nécessaire] Elles sont souvent utilisées en statistiques pour montrer les progrès réalisés grâce à un classificateur binaire lorsque le seuil de discrimination varie. Si le modèle calcule un score s qui est comparé au seuil S pour prédire la classe ([s ≥ S] = positif et [s < S] = négatif, généralement), et qu’on compare ensuite avec les classes positif et négatif réelles, la sensibilité est donnée par le taux de positifs réels classés positifs, et l’antispécificité (1 moins la spécificité) par le taux de négatifs réels classés positifs. On met l’antispécificité en abscisse et la sensibilité en ordonnée pour former la courbe ROC. Chaque valeur de S fournit un point de la courbe, qui croit (non-strictement) de (0, 0) à (1, 1). * En (0, 0) le classificateur classe tout négatif : il n’y a aucun faux positif, mais également aucun vrai positif. Les proportions de vrais et faux négatifs dépendent de la population sous-jacente. * En (1, 1) le classificateur classe tout positif : il n’y a aucun vrai négatif, mais également aucun faux négatif. Les proportions de vrais et faux positifs dépendent de la population sous-jacente. * Un classificateur aléatoire tracera une droite allant de (0, 0) à (1, 1). * En (0, 1) le classificateur n’a aucun faux positif ni aucun faux négatif, et est par conséquent parfaitement exact, ne se trompant jamais. * En (1, 0) le classificateur n’a aucun vrai négatif ni aucun vrai positif, et est par conséquent parfaitement inexact, se trompant toujours. Il suffit d’inverser sa prédiction pour en faire un classificateur parfaitement exact. Dans la (en), les grandeurs d' et A' mesurent l'aire sous la courbe ROC. Plus cette aire est grande, plus la courbe s’écarte de la ligne du classificateur aléatoire et se rapproche du coude du classificateur idéal (qui passe de (0, 0) à (0, 1) à (1, 1)). L'intérêt de la courbe ROC dans le domaine médical a été souligné dès 1960. Depuis, cet outil statistique a été utilisé notamment dans le domaine pharmaceutique, en radiologie et en biologie. La courbe ROC s’est imposée en biologie clinique depuis plusieurs années. Elle permet la détermination et la comparaison des performances diagnostiques de plusieurs tests à l’aide de l’évaluation des aires sous la courbe. Elle est aussi utilisée pour estimer la valeur seuil optimale d’un test en tenant compte des données épidémiologiques et médico-économiques de la maladie . (fr) A receiver operating characteristic curve, or ROC curve, is a graphical plot that illustrates the diagnostic ability of a binary classifier system as its discrimination threshold is varied. The method was originally developed for operators of military radar receivers starting in 1941, which led to its name. The ROC curve is created by plotting the true positive rate (TPR) against the false positive rate (FPR) at various threshold settings. The true-positive rate is also known as sensitivity, recall or probability of detection. The false-positive rate is also known as probability of false alarm and can be calculated as (1 − specificity). The ROC can also be thought of as a plot of the power as a function of the Type I Error of the decision rule (when the performance is calculated from just a sample of the population, it can be thought of as estimators of these quantities). The ROC curve is thus the sensitivity or recall as a function of fall-out. In general, if the probability distributions for both detection and false alarm are known, the ROC curve can be generated by plotting the cumulative distribution function (area under the probability distribution from to the discrimination threshold) of the detection probability in the y-axis versus the cumulative distribution function of the false-alarm probability on the x-axis. ROC analysis provides tools to select possibly optimal models and to discard suboptimal ones independently from (and prior to specifying) the cost context or the class distribution. ROC analysis is related in a direct and natural way to cost/benefit analysis of diagnostic decision making. The ROC curve was first developed by electrical engineers and radar engineers during World War II for detecting enemy objects in battlefields and was soon introduced to psychology to account for perceptual detection of stimuli. ROC analysis since then has been used in medicine, radiology, biometrics, forecasting of natural hazards, meteorology, model performance assessment, and other areas for many decades and is increasingly used in machine learning and data mining research. The ROC is also known as a relative operating characteristic curve, because it is a comparison of two operating characteristics (TPR and FPR) as the criterion changes. (en) 受信者操作特性（じゅしんしゃそうさとくせい、英 Receiver Operating Characteristic, ROC）は、信号処理の概念で、観測された信号からあるものの存在を判定する際の基準となる特性である。臨床検査などでも用いられEBMの基礎をなすものの一つとなっている。受信者動作特性（じゅしんしゃどうさとくせい）、受信者応答特性（じゅしんしゃおうとうとくせい）とも訳される。 (ja) In de signaaldetectietheorie is een ROC-curve (Engels: receiver operating characteristic (ROC)) een grafiek van de gevoeligheid (sensitiviteit) als functie van de aspecificiteit (1 - specificiteit) voor een als zijn discriminatiedrempel wordt gevarieerd. De ROC kan ook worden weergegeven door de fractie van true positives (TPR = true positive rate) uit te zetten tegen de fractie van fout-positieven (FPR = false positive rate). De ROC-curve staat ook bekend als de relative operating characteristic curve, omdat twee operating characteristics (TPR en FPR) met elkaar worden vergeleken terwijl het criterium (de drempel) verandert. ROC-analyse kan gebruikt worden voor kosten-batenanalyse bij diagnostische besliskunde. Met ROC-analyse kunnen optimale modellen worden uitgekozen en minder goede verworpen. De ROC-curve werd oorspronkelijk ontwikkeld door elektrotechnici en radartechnici in de Tweede Wereldoorlog om vijandelijke objecten te onderscheiden. Het vakgebied heet ook wel signaaldetectietheorie. Tegenwoordig wordt ROC-analyse al tientallen jaren toegepast in de geneeskunde, radiologie, psychologie en andere gebieden. Sinds kort wordt het ook gebruikt bij machinaal leren en datamining. (nl) 수신자 조작 특성(受信者操作特性, Receiver operating characteristics, ROC) 혹은 반응자 작용특성,수용자 반응특성은 신호탐지이론에서 적중확률(Y축,True Positive Rate, Sensitivity) 대 오경보확률(X축, False Positive Rate, 1- Specificity)의 그래프이다. ROC그래프는 정기각률이 늘어나면 탈루률이 늘어나는 관계를 효용 대 비용의 관계로 설명하고 있다. (ko) Nella teoria delle decisioni, le curve ROC (Receiver Operating Characteristic, anche note come Relative Operating Characteristic) sono degli schemi grafici per un classificatore binario. Lungo i due assi si possono rappresentare la sensibilità e (1-specificità), rispettivamente rappresentati da True Positive Rate (TPR, frazione di veri positivi) e False Positive Rate (FPR, frazione di falsi positivi). In altre parole, si studiano i rapporti fra allarmi veri (hit rate) e falsi allarmi. La curva ROC viene creata tracciando il valore del True Positive Rate (TPR, frazione di veri positivi) rispetto al False Positive Rate (FPR, frazione di falsi positivi) a varie impostazioni di soglia. Il tasso di veri positivi è anche noto come sensibilità, richiamo o probabilità di rilevazione. Il tasso di falsi positivi è anche noto come fall-out o probabilità di falsi allarmi e può essere calcolato come (1 - specificità). Può anche essere pensato come un diagramma della potenza in funzione dell'errore di tipo I :quando la prestazione viene calcolata da un solo campione della popolazione, può essere considerata come una stima di queste quantità. La curva ROC è quindi il tasso dei veri positivi in funzione del tasso dei falsi positivi. In generale, se sono note le distribuzioni di sensibilità e 1-specificità, la curva ROC può essere generata tracciando la funzione di distribuzione cumulativa (area sotto la distribuzione di probabilità da alla soglia di discriminazione) della probabilità di rilevamento nell'asse y rispetto alla funzione di distribuzione cumulativa della probabilità di falso allarme sull'asse x. Il ROC è anche noto come curva Receiver Operating Characteristic, poiché è un confronto tra due caratteristiche operative (TPR e FPR) al cambiare del criterio. (it) A Curva Característica de Operação do Receptor (Curva COR), ou, do inglês, Receiver Operating Characteristic Curve (ROC curve), ou, simplesmente, curva ROC, é uma representação gráfica que ilustra o desempenho (ou performance) de um sistema à medida que o seu limiar de discriminação varia. A curva ROC é também conhecida como curva de característica de operação relativa, porque o seu critério de mudança é resultado da operação de duas características (PV e PF). A curva ROC é obtido pela representação da razão RPV = Positivos Verdadeiros / Positivos Totais versus a razão RPF = Positivos Falsos / Negativos Totais, para vários valores do limiar de classificação. O RPV é também conhecido como sensibilidade (ou taxa de verdadeiros positivos), e RPF = 1-especificidade ou taxa de falsos positivos. A especificidade é conhecida como taxa de verdadeiros negativos (RVN). A analise ROC fornece ferramentas para selecionar modelos possivelmente ideais (modelos ótimos) e descartar modelos não tão ótimos, independentemente (e antes de especificar) o contexto de custos ou a distribuição de classe. A análise ROC está relacionada de forma direta e natural com a análise de custo/benefício do diagnóstico. A curva ROC foi inicialmente desenvolvida por engenheiros eletricista e engenheiros de radar durante a Segunda Gerra Mundial para detectar objetos inimigos em campos de batalha e não tardou para ser introduzida em psicologia para explicar a detecção perceptiva de estímulos. A análise ROC, desde então, tem sido usada na medicina, radiologia, biometria, , análise de , em meteorologia, em modelos de avaliação de performance, em estudos de validade , em machine learning, data mining e outras áreas. (pt) ROC-кривая (англ. receiver operating characteristic, рабочая характеристика приёмника) — график, позволяющий оценить качество бинарной классификации, отображает соотношение между долей объектов от общего количества носителей признака, верно классифицированных как несущие признак (англ. true positive rate, TPR, называемой чувствительностью алгоритма классификации), и долей объектов от общего количества объектов, не несущих признака, ошибочно классифицированных как несущие признак (англ. false positive rate, FPR, величина 1-FPR называется специфичностью алгоритма классификации) при варьировании порога решающего правила. Также известна как кривая ошибок. Анализ классификаций с применением ROC-кривых называется ROC-анализом. Количественная интерпретация ROC даёт показатель AUC (англ. Area Under Curve, площадь под 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). Значение менее 0,5 говорит, что классификатор действует с точностью до наоборот: если положительные назвать отрицательными и наоборот, классификатор будет работать лучше. (ru) 在信号检测理论中，接收者操作特征曲線，或者叫ROC曲线（英語：Receiver operating characteristic curve），是一种坐標圖式的分析工具，用於选择最佳的信號偵測模型、捨棄次佳的模型或者在同一模型中設定最佳閾值。 在做決策時，ROC分析能不受成本／效益的影響，給出客觀中立的建議。 ROC曲线首先是由二战中的电子工程师和雷达工程师发明的，用来偵测战场上的敌军載具（飛機、船艦），也就是信号检测理论。之后很快就被引入了心理学来进行信号的知觉检测。數十年來，ROC分析被用於医学、无线电、生物學、犯罪心理學领域中，而且最近在机器学习（machine learning）和数据挖掘（data mining）领域也得到了很好的发展。 (zh) ROC-крива (англ. receiver operating characteristic, робоча характеристика приймача) — графік, що дозволяє оцінити якість бінарної класифікації, відображає співвідношення між часткою об'єктів від загальної кількості носіїв ознаки, правильно класифікованих до загальної кількості об'єктів, що не несуть ознаки, помилково класифікованих, як такі, що мають ознаку. Також відома як крива похибок. Аналіз класифікацій із застосуванням ROC-кривих називається ROC-аналізом. Кількісну інтерпретацію ROC дає показник AUC (англ. area under ROC curve, площа під ROC-кривою) — площа, обмежена ROC-кривою і віссю частки помилкових позитивних класифікацій. Чим вище показник AUC, тим якісніше діє класифікатор, при цьому значення 0,5 демонструє непридатність обраного методу класифікації (відповідає звичайному вгадуванню). (uk) |
| dbo:thumbnail | wiki-commons:Special:FilePath/Roccurves.png?width=300 |
| dbo:wikiPageExternalLink | http://www.navan.name/roc/ http://home.comcast.net/~tom.fawcett/public_html/papers/ROC101.pdf%7C https://github.com/amsantac/TOC https://kennis-research.shinyapps.io/ROC-Curves/ http://www2.clarku.edu/~rpontius/TOCexample2.xlsx http://faculty.ucmerced.edu/sites/default/files/eheit/files/rotello_heit_dube_pbr.pdf https://www.academia.edu/19474075%7C https://www.researchgate.net/publication/226020087%7C https://www.researchgate.net/publication/263195341 https://www.youtube.com/watch%3Fv=1JRwVOi0FSE https://www.youtube.com/watch%3Fv=KKVC3GT5EPw https://www.youtube.com/watch%3Fv=OAl6eAyP-yo |
| dbo:wikiPageID | 922505 (xsd:integer) |
| dbo:wikiPageLength | 54548 (xsd:nonNegativeInteger) |
| dbo:wikiPageRevisionID | 1118010681 (xsd:integer) |
| dbo:wikiPageWikiLink | dbc:Detection_theory dbr:Prentice_Hall dbr:Psychology dbr:Scientific_American dbr:Epidemiology dbr:Signal_detection_theory dbr:Base_rate dbr:Biometrics dbr:Blood_pressure dbr:Decision_making dbr:Algorithm dbr:Hypertension dbr:Decision_tree_learning dbr:Detection_error_tradeoff dbr:Detection_theory dbr:Natural_hazard dbr:Radar dbr:Standard_deviation dbr:John_Wiley_&_Sons dbr:Psychophysics dbr:Continuous_probability_distribution dbr:Countable_set dbr:Matthews_correlation_coefficient dbr:Medical_research dbr:Coefficient_of_determination dbr:Gini_coefficient dbr:Confusion_matrix dbr:Constant_false_alarm_rate dbr:Contingency_table dbr:Machine_learning dbr:Standard_score dbr:Decilitre dbr:Specificity_(statistics) dbr:Total_Operating_Characteristic dbr:Automatic_speaker_recognition dbr:Data_mining dbr:Youden's_J_statistic dbr:Cumulative_distribution_function dbr:Forecasting dbr:Brier_score dbr:Normal_distribution dbr:Partial_Area_Under_the_ROC_Curve_(pAUC) dbr:False_alarm dbr:False_positive_rate dbr:Gram dbr:Graph_of_a_function dbr:Medical_diagnosis dbr:Sensitivity_index dbr:Precision_and_recall dbr:Statistical_power dbr:Wilcoxon_signed-rank_test dbr:Hungarian_algorithm dbr:Attack_on_Pearl_Harbor dbc:Data_mining dbc:Biostatistics dbr:Binary_classification dbc:Summary_statistics_for_contingency_tables dbr:Cohen's_kappa dbc:Statistical_classification dbr:Meteorology dbr:Real_number dbr:Sensitivity_(tests) dbr:World_War_II dbr:Mapping_(mathematics) dbr:Medicine dbr:Sensitivity_and_specificity dbr:Total_operating_characteristic dbr:Diagnostic_test dbr:Radiology dbr:Evaluation_of_binary_classifiers dbr:Evidence-based_medicine dbr:Fleiss'_kappa dbr:Mann–Whitney_U dbr:F1_score dbr:ROCCET dbr:Classifier_(mathematics) dbr:D_prime dbr:Informedness dbr:Binary_classifier dbr:Specificity_(tests) dbr:True_positive_rate dbr:Strength_theory dbr:Type_I_Error dbr:File:Example_of_DET_curves.png dbr:File:ROC_curves.svg dbr:File:ROC.png dbr:File:ROC_space-2.png dbr:File:Roc_curve.svg dbr:File:Roccurves.png dbr:File:TOC.png |
| dbp:wikiPageUsesTemplate | dbt:Authority_control dbt:Citation_needed dbt:Cite_book dbt:Cite_journal dbt:Clear dbt:Commons_category dbt:Div_col dbt:Div_col_end dbt:ISBN dbt:Math dbt:Portal dbt:Reflist dbt:See_also dbt:Short_description dbt:Sub dbt:Sup dbt:Public_health dbt:Machine_learning_evaluation_metrics dbt:Statistics dbt:Confusion_matrix_terms dbt:Diagnostic_testing_diagram |
| dcterms:subject | dbc:Detection_theory dbc:Data_mining dbc:Biostatistics dbc:Summary_statistics_for_contingency_tables dbc:Statistical_classification |
| rdf:type | owl:Thing yago:WikicatStatisticalChartsAndDiagrams yago:Abstraction100002137 yago:Chart106999802 yago:Communication100033020 yago:VisualCommunication106873252 |
| rdfs:comment | 受信者操作特性（じゅしんしゃそうさとくせい、英 Receiver Operating Characteristic, ROC）は、信号処理の概念で、観測された信号からあるものの存在を判定する際の基準となる特性である。臨床検査などでも用いられEBMの基礎をなすものの一つとなっている。受信者動作特性（じゅしんしゃどうさとくせい）、受信者応答特性（じゅしんしゃおうとうとくせい）とも訳される。 (ja) 수신자 조작 특성(受信者操作特性, Receiver operating characteristics, ROC) 혹은 반응자 작용특성,수용자 반응특성은 신호탐지이론에서 적중확률(Y축,True Positive Rate, Sensitivity) 대 오경보확률(X축, False Positive Rate, 1- Specificity)의 그래프이다. ROC그래프는 정기각률이 늘어나면 탈루률이 늘어나는 관계를 효용 대 비용의 관계로 설명하고 있다. (ko) 在信号检测理论中，接收者操作特征曲線，或者叫ROC曲线（英語：Receiver operating characteristic curve），是一种坐標圖式的分析工具，用於选择最佳的信號偵測模型、捨棄次佳的模型或者在同一模型中設定最佳閾值。 在做決策時，ROC分析能不受成本／效益的影響，給出客觀中立的建議。 ROC曲线首先是由二战中的电子工程师和雷达工程师发明的，用来偵测战场上的敌军載具（飛機、船艦），也就是信号检测理论。之后很快就被引入了心理学来进行信号的知觉检测。數十年來，ROC分析被用於医学、无线电、生物學、犯罪心理學领域中，而且最近在机器学习（machine learning）和数据挖掘（data mining）领域也得到了很好的发展。 (zh) ROC křivka (z anglického Receiver Operating Characteristic, operační charakteristika přijímače) je graf, který popisuje kvalitu v závislosti na nastavení jeho klasifikačního prahu. Binárním klasifikátorem se rozumí zařízení (nebo člověk) odhadující zařazení nějakých objektů nebo případů do dvou skupin, obecně označovaných jako pozitivní a negativní. Přitom se předpokládá, že objekty jsou charakterizovány nějakou vlastností (proměnnou) vyjádřenou číslem a že klasifikátor zařazuje do pozitivní skupiny právě ty, u kterých hodnota této proměnné přesáhne stanovený klasifikační práh (což je nějaké pevně dané číslo). Příkladem binárního klasifikátoru může být bankéř, který na základě nějaké osoby rozhoduje, zda jí lze (pozitivní) nebo nelze (negativní) úspěšně poskytnout úvěr. Klasifikátor na z (cs) Die ROC-Kurve (ROC: englisch für receiver operating characteristic bzw. deutsch Operationscharakteristik eines Beobachters), auch Grenzwertoptimierungskurve oder Isosensitivitätskurve genannt ist eine Methode zur Bewertung und Optimierung von Analysestrategien. Die ROC-Kurve stellt visuell die Abhängigkeit der Effizienz mit der Fehlerrate für verschiedene Parameterwerte dar. Sie ist eine Anwendung der Signalentdeckungstheorie. (de) La fonction d’efficacité du récepteur, plus fréquemment désignée sous le terme « courbe ROC » (de l’anglais receiver operating characteristic, pour « caractéristique de fonctionnement du récepteur ») dite aussi caractéristique de performance (d'un test) ou courbe sensibilité/spécificité, est une mesure de la performance d'un classificateur binaire, c'est-à-dire d'un système qui a pour objectif de catégoriser des éléments en deux groupes distincts sur la base d'une ou plusieurs des caractéristiques de chacun de ces éléments. Graphiquement, on représente souvent la mesure ROC sous la forme d'une courbe qui donne le taux de vrais positifs (fraction des positifs qui sont effectivement détectés) en fonction du taux de faux positifs (fraction des négatifs qui sont incorrectement détectés). (fr) En la teoría de detección de señales, una curva ROC (acrónimo de Receiver Operating Characteristic, o Característica Operativa del Receptor) es una representación gráfica de la sensibilidad frente a la especificidad para un sistema clasificador binario según se varía el umbral de discriminación. Otra interpretación de este gráfico es la representación de la razón o proporción de verdaderos positivos (VPR = Razón de Verdaderos Positivos) frente a la razón o proporción de falsos positivos (FPR = Razón de Falsos Positivos) también según se varía el umbral de discriminación (valor a partir del cual decidimos que un caso es un positivo). ROC también puede significar Relative Operating Characteristic (Característica Operativa Relativa) porque es una comparación de dos características operativas (es) A receiver operating characteristic curve, or ROC curve, is a graphical plot that illustrates the diagnostic ability of a binary classifier system as its discrimination threshold is varied. The method was originally developed for operators of military radar receivers starting in 1941, which led to its name. ROC analysis provides tools to select possibly optimal models and to discard suboptimal ones independently from (and prior to specifying) the cost context or the class distribution. ROC analysis is related in a direct and natural way to cost/benefit analysis of diagnostic decision making. (en) Nella teoria delle decisioni, le curve ROC (Receiver Operating Characteristic, anche note come Relative Operating Characteristic) sono degli schemi grafici per un classificatore binario. Lungo i due assi si possono rappresentare la sensibilità e (1-specificità), rispettivamente rappresentati da True Positive Rate (TPR, frazione di veri positivi) e False Positive Rate (FPR, frazione di falsi positivi). In altre parole, si studiano i rapporti fra allarmi veri (hit rate) e falsi allarmi. (it) In de signaaldetectietheorie is een ROC-curve (Engels: receiver operating characteristic (ROC)) een grafiek van de gevoeligheid (sensitiviteit) als functie van de aspecificiteit (1 - specificiteit) voor een als zijn discriminatiedrempel wordt gevarieerd. De ROC kan ook worden weergegeven door de fractie van true positives (TPR = true positive rate) uit te zetten tegen de fractie van fout-positieven (FPR = false positive rate). De ROC-curve staat ook bekend als de relative operating characteristic curve, omdat twee operating characteristics (TPR en FPR) met elkaar worden vergeleken terwijl het criterium (de drempel) verandert. (nl) A Curva Característica de Operação do Receptor (Curva COR), ou, do inglês, Receiver Operating Characteristic Curve (ROC curve), ou, simplesmente, curva ROC, é uma representação gráfica que ilustra o desempenho (ou performance) de um sistema à medida que o seu limiar de discriminação varia. A curva ROC é também conhecida como curva de característica de operação relativa, porque o seu critério de mudança é resultado da operação de duas características (PV e PF). (pt) ROC-кривая (англ. receiver operating characteristic, рабочая характеристика приёмника) — график, позволяющий оценить качество бинарной классификации, отображает соотношение между долей объектов от общего количества носителей признака, верно классифицированных как несущие признак (англ. true positive rate, TPR, называемой чувствительностью алгоритма классификации), и долей объектов от общего количества объектов, не несущих признака, ошибочно классифицированных как несущие признак (англ. false positive rate, FPR, величина 1-FPR называется специфичностью алгоритма классификации) при варьировании порога решающего правила. (ru) ROC-крива (англ. receiver operating characteristic, робоча характеристика приймача) — графік, що дозволяє оцінити якість бінарної класифікації, відображає співвідношення між часткою об'єктів від загальної кількості носіїв ознаки, правильно класифікованих до загальної кількості об'єктів, що не несуть ознаки, помилково класифікованих, як такі, що мають ознаку. Також відома як крива похибок. Аналіз класифікацій із застосуванням ROC-кривих називається ROC-аналізом. (uk) |
| rdfs:label | Corba característica de funcionament del receptor (ca) ROC křivka (cs) ROC-Kurve (de) Curva ROC (es) Courbe ROC (fr) Receiver operating characteristic (it) 수신자 조작 특성 (ko) 受信者操作特性 (ja) Receiver operating characteristic (en) ROC-curve (nl) Característica de Operação do Receptor (pt) ROC-кривая (ru) ROC-крива (uk) ROC曲线 (zh) |
| rdfs:seeAlso | dbr:Type_I dbr:Type_II_errors |
| owl:sameAs | freebase:Receiver operating characteristic yago-res:Receiver operating characteristic http://d-nb.info/gnd/4178266-5 wikidata:Receiver operating characteristic dbpedia-ca:Receiver operating characteristic dbpedia-cs:Receiver operating characteristic dbpedia-de:Receiver operating characteristic dbpedia-es:Receiver operating characteristic dbpedia-fa:Receiver operating characteristic dbpedia-fr:Receiver operating characteristic dbpedia-he:Receiver operating characteristic dbpedia-it:Receiver operating characteristic dbpedia-ja:Receiver operating characteristic dbpedia-ko:Receiver operating characteristic http://lt.dbpedia.org/resource/ROC_kreivė dbpedia-nl:Receiver operating characteristic dbpedia-pt:Receiver operating characteristic dbpedia-ru:Receiver operating characteristic dbpedia-tr:Receiver operating characteristic dbpedia-uk:Receiver operating characteristic dbpedia-vi:Receiver operating characteristic dbpedia-zh:Receiver operating characteristic https://global.dbpedia.org/id/31tAZ |
| prov:wasDerivedFrom | wikipedia-en:Receiver_operating_characteristic?oldid=1118010681&ns=0 |
| foaf:depiction | wiki-commons:Special:FilePath/ROC_curves.svg wiki-commons:Special:FilePath/Example_of_DET_curves.png wiki-commons:Special:FilePath/ROC.png wiki-commons:Special:FilePath/ROC_space-2.png wiki-commons:Special:FilePath/Roc_curve.svg wiki-commons:Special:FilePath/Roccurves.png wiki-commons:Special:FilePath/TOC.png |
| foaf:isPrimaryTopicOf | wikipedia-en:Receiver_operating_characteristic |
| is dbo:wikiPageDisambiguates of | dbr:Roc dbr:Characteristic |
| is dbo:wikiPageRedirects of | dbr:C-statistic dbr:Area_under_the_curve_(receiver_operating_characteristic) dbr:Receiver_Operating_Characteristic dbr:Roc_analysis dbr:Roc_curve dbr:Auroc dbr:ROC_Analysis dbr:ROC_Curve dbr:ROC_analysis dbr:ROC_curve dbr:ROC_plot dbr:Receiver-Operator_Characteristic dbr:Receiver-operator_characteristic dbr:Receiver_operating_characteristic_curve dbr:Receiver_operating_curve dbr:Receiver_operator_characteristic dbr:Receiver_operator_curve dbr:Reciever_operating_curve dbr:AUROC |
| is dbo:wikiPageWikiLink of | dbr:Metabolic_Score_for_Insulin_Resistance dbr:Partial_Area_Under_the_ROC_Curve dbr:Prevalence dbr:C-statistic dbr:Biometrics dbr:Decision_curve_analysis dbr:Demining dbr:Area_under_the_curve_(pharmacokinetics) dbr:Area_under_the_curve_(receiver_operating_characteristic) dbr:Detection_error_tradeoff dbr:Detection_theory dbr:Predictive_genomics dbr:Analyse-it dbr:Elizabeth_DeLong dbr:Geneva_score dbr:Nancy_Obuchowski dbr:Gene_expression_programming dbr:Gini_coefficient dbr:Constant_false_alarm_rate dbr:Coronavirus_breathalyzer dbr:Operating_point dbr:Receiver_Operating_Characteristic dbr:Lift_(data_mining) dbr:Machine_learning dbr:Hamilton_Rating_Scale_for_Depression dbr:Ideal_observer_analysis dbr:Acute_coronary_syndrome dbr:Data_mining dbr:WINdows_KwikStat dbr:Docking_(molecular) dbr:Youden's_J_statistic dbr:Saliva_testing dbr:Cumulative_accuracy_profile dbr:ELKI dbr:Brier_score dbr:Diagnostic_odds_ratio dbr:Educational_data_mining dbr:False_positives_and_false_negatives dbr:King's_College_Criteria dbr:Sensitivity_index dbr:Net_reclassification_improvement dbr:Precision_and_recall dbr:Real-time_locating_system dbr:Timeline_of_probability_and_statistics dbr:Binary_classification dbr:Receiver_Operating_Characteristic_Curve_Explorer_and_Tester dbr:Remote_ischemic_conditioning dbr:Mann–Whitney_U_test dbr:CAGE_questionnaire dbr:CAPP-Seq dbr:Somers'_D dbr:Information dbr:OpenEpi dbr:Change_detection dbr:Roc dbr:Soft_independent_modelling_of_class_analogies dbr:Sensitivity_and_specificity dbr:Statistical_classification dbr:Total_operating_characteristic dbr:F-score dbr:List_of_statistics_articles dbr:Type_I_and_type_II_errors dbr:Evaluation_measures_(information_retrieval) dbr:Evaluation_of_binary_classifiers dbr:Evidence-based_medicine dbr:Characteristic dbr:Characteristic_function dbr:Polygenic_score dbr:Vanderbilt_ADHD_diagnostic_rating_scale dbr:Waldemar_W._Koczkodaj dbr:Unistat dbr:Paraphrasing_(computational_linguistics) dbr:Rating_scale dbr:Roc_analysis dbr:Roc_curve dbr:Auroc dbr:ROC_Analysis dbr:ROC_Curve dbr:ROC_analysis dbr:ROC_curve dbr:ROC_plot dbr:Receiver-Operator_Characteristic dbr:Receiver-operator_characteristic dbr:Receiver_operating_characteristic_curve dbr:Receiver_operating_curve dbr:Receiver_operator_characteristic dbr:Receiver_operator_curve dbr:Reciever_operating_curve dbr:AUROC |
| is rdfs:seeAlso of | dbr:Total_operating_characteristic |
| is foaf:primaryTopic of | wikipedia-en:Receiver_operating_characteristic |
