<meta http-equiv="Content-Type" content="text/html; charset=UTF-8" />ROC-Kurven sind eine Art von „Anpassungsgüte“-Kurve, die üblicherweise mit einer kategorialen Antwort verwendet wird. Im Allgemeinen wird eine ROC-Kurve verwendet, um eine Visualisierung der Empfindlichkeit eines Modells bereitzustellen, das verwendet wird, um eine Reaktion zu kategorisieren. Die Idee ist, dass Sie die Wahrscheinlichkeit minimieren möchten, dass eine Antwort falsch positiv ist, und die ROC-Kurve bietet eine schöne Visualisierung der Wahrscheinlichkeit, dass ein Modell eine Antwort falsch klassifiziert. Im Allgemeinen möchten Sie eine Kurve sehen, die SEHR schnell und vertikal vom Ursprung zur oberen linken Ecke des Zeichenbereichs ansteigt und sich dann „schnell“ nach rechts krümmt, wobei eine lange flache Linie über dem oberen Rand des Diagramms parallel zum oberen verläuft oben im Diagrammbereich. Eine übliche Plotkonvention besteht darin, eine 45-Grad-Linie vom Diagrammursprung zur oberen rechten Ecke des Diagrammbereichs zu platzieren. Diese 45-Grad-Linie wird als „Münze werfen“-Linie interpretiert. Das heißt, wenn die ROC-Kurve nicht weit von dieser 45-Grad-Linie entfernt ist, können Sie genauso gut eine Münze werfen, um eine binäre Antwort zu kategorisieren. Je weiter also die ROC-Kurve von der 45-Grad-Linie entfernt ist, desto empfindlicher (besser als eine Münze zu werfen) ist das Modell.
Eine übliche Statistik, die ROC-Kurven begleitet, ist die AUC (Fläche unter der Kurve), die einen Prozentsatz des Raums „unter der Kurve“ angibt, wobei die Vorstellung lautet, dass es 100 % wäre, wenn das Modell alle Antworten perfekt klassifiziert. AUCs sind ein Maß, das häufig verwendet wird, um ein Modell mit einem anderen zu vergleichen. Die Idee ist wiederum, dass das Modell mit der höheren AUC empfindlicher ist als Modelle mit niedrigeren AUCs.
Sie werden sehen, dass ROC-Kurven in vielen JMP- und JMP Pro-Modellierungspersönlichkeiten weit verbreitet sind, wenn es eine kategorische Antwort gibt. Für Plattformen wie nominelle logistische Regression, Partition (Decision Tree, Bootstrap Forest, Boosted Tree usw.) Verallgemeinerte Regression, PLS, so ziemlich immer dann, wenn es eine kategoriale/nominale Antwort gibt … Sie sehen die Option, eine ROC-Kurve in JMP oder JMP Pro zu zeichnen.
JMP-Dokumentation liefert weitere Details zur ROC-Kurve.
