ROC curve

www.youtube.com/watch?v=n7EoYT5kDO4

 

 

1. 혼동 행렬
   1. TP FP
      FN TN 
      1. TP (True Positive) : 환자를 환자로 분류
      2. FP (False Positive) : 정상인을 환자로 분류
      3. FN (Fasle Negative) : 환자를 정상인으로 분류
      4. TN (True Negative) : 정상인을 정상인으로 분류
   2. 성능
      1. TPR (True Positive Rate) = TP/(TP+FN) = 재현률, 민감도 = TP/왼쪽세로축
      2. FPR (False Positive Rate) = FP/(FP+TN) = 특이도 = FP/오른쪽세로축
      3. FNR (False Negative Rate) = FN/(FN+TP)
      4. TNR (True Negative Rate) = TN/(TN+FP)
      5. 정밀도 = TP/(TP+FP)
2. ROC 곡선, AUC 곡선
   1. ROC (Receiver Operating Charateristic curve) : FPR을 x축, TPR을 y축으로 놓고 그린 그래프
   2. AUC (Area Under Curve) : ROC 곡선의 아래쪽 영역의 면접
   3. p = prediction(predictions, labels)
      1. roc = performance(p, measure='tpr', 'x,measure='fpr')
      2. auc = performance(p, measure='auc')
   4. 임계값을 따라서 모델의 성능을 높일 수 있다.
   5. AUC가 높을수록 성능이 좋다.

---

Positive가 암에 걸렸다에 대한 판단일 때

 

True Positive : 실제로 암에 걸린 사람을 암에 걸렸다고 판단

False Positive : 암에 안 걸린 사람을 암에 걸렸다고 판단, 오진

 

FPR : False Positive Rate

 

빨강색 면적 : 이미 암에 걸렸고 암 환자로 판정된 사람들 = True Positive

파랑색 면적 : 암에 걸리지 않은 사람들을 암 환자로 판정된 사람들 = False Positive

 

겁이 없는 의사는 TPR이 굉장히 높다 = 암에 걸리지 않은 사람도 다 걸렸다고 판단

겁이 많은 의사는 FPR이 굉장히 높다 = 암에 걸린 사람도 다 안 걸렸다고 판단

---

현 위의 점이 의미하는 것은?

현의 휨 정도가 의미하는 것은?

 

 

두 클래스를 얼마나 더 잘 구분할 수 있는지를 의미한다.

 

Reference

angeloyeo.github.io/2020/08/05/ROC.html