Làm thế nào để giải thích một đường cong ROC?

Tôi đã áp dụng hồi quy logistic cho dữ liệu của mình trên SAS và đây là bảng phân loại và đường cong ROC.

Tôi cảm thấy thoải mái với các số liệu trong bảng phân loại, nhưng không chắc chắn chính xác những gì đường cong roc và khu vực bên dưới nó hiển thị. Bất kỳ lời giải thích sẽ được đánh giá rất cao.

Khi bạn thực hiện hồi quy logistic, bạn được cung cấp hai lớp được mã hóa là và 0 . Bây giờ, bạn tính các xác suất đưa ra một số phương sai giải thích một cá nhân thuộc về lớp được mã hóa là 1 . Nếu bây giờ bạn chọn ngưỡng xác suất và phân loại tất cả các cá nhân có xác suất lớn hơn ngưỡng này là loại 1 và thấp hơn là $1$$0$$1$$1$$0$, trong hầu hết các trường hợp, bạn sẽ mắc một số lỗi vì thông thường hai nhóm không thể bị phân biệt đối xử một cách hoàn hảo. Đối với ngưỡng này, bây giờ bạn có thể tính toán các lỗi của mình và cái gọi là độ nhạy và độ đặc hiệu. Nếu bạn làm điều này trong nhiều ngưỡng, bạn có thể xây dựng đường cong ROC bằng cách vẽ độ nhạy theo độ đặc hiệu 1 cho nhiều ngưỡng có thể. Khu vực dưới đường cong xuất hiện nếu bạn muốn so sánh các phương pháp khác nhau cố gắng phân biệt giữa hai lớp, ví dụ phân tích phân biệt hoặc mô hình probit. Bạn có thể xây dựng đường cong ROC cho tất cả các mô hình này và mô hình có diện tích cao nhất dưới đường cong có thể được xem là mô hình tốt nhất.

Nếu bạn cần hiểu sâu hơn, bạn cũng có thể đọc câu trả lời của một câu hỏi khác liên quan đến các đường cong ROC bằng cách nhấn vào đây.

AUC về cơ bản chỉ cho bạn biết tần suất rút ngẫu nhiên từ xác suất phản hồi dự đoán của bạn trên dữ liệu có nhãn 1 sẽ lớn hơn rút ngẫu nhiên từ xác suất phản hồi dự đoán của bạn trên dữ liệu có nhãn 0 của bạn.

Mô hình hồi quy logistic là một phương pháp ước lượng xác suất trực tiếp. Phân loại không có vai trò trong việc sử dụng nó. Bất kỳ phân loại nào không dựa trên việc đánh giá các tiện ích (chức năng mất / chi phí) đối với từng đối tượng là không phù hợp ngoại trừ trong trường hợp khẩn cấp rất đặc biệt. Đường cong ROC không hữu ích ở đây; không phải là độ nhạy hoặc độ đặc hiệu, giống như độ chính xác phân loại tổng thể, là các quy tắc chấm điểm chính xác không phù hợp được tối ưu hóa bởi một mô hình không có thật không phù hợp với ước tính khả năng tối đa.

$c$$15p$$Y$$p$$\leq 0.05$

Tôi không phải là tác giả của blog này và tôi thấy blog này cực kỳ hữu ích: http://fouryears.eu/2011/10/12/roc-area-under-the-curve-explained

Áp dụng giải thích này cho dữ liệu của bạn, ví dụ tích cực trung bình có khoảng 10% ví dụ tiêu cực được ghi cao hơn nó.