14.5: 수신자 작동 특성 플롯

ROC(수신자 작동 특성) 플롯은 민감도(진양성률)와 특이도(거짓 양성률) 간의 균형을 설명하여 이진 분류 모델의 성능을 평가하는 데 사용되는 그래픽 도구입니다. 다양한 임계값 설정에서 민감도를 1-특이도에 대해 플롯하여 ROC 곡선은 모델이 클래스를 얼마나 잘 구별하는지 보여주며, 곡선이 왼쪽 상단 모서리에 가까울수록 모델이 더 정확함을 나타냅니다. ROC 곡선 아래의 면적(AUC)은 단일 성능 측정값으로 사용됩니다. 1에 가까운 값은 더 나은 판별력을 의미하고, 0.5에 가까운 값은 무작위 추측과 유사하게 예측력이 낮음을 나타냅니다.

특정 질병에 대한 진단 도구를 평가할 때 민감도와 특이도의 균형을 맞추는 것은 검사의 정확도를 결정하는 데 필수적입니다. 민감도는 검사가 질병이 있는 개인을 올바르게 식별하는 능력을 측정하는 반면, 특이도는 질병이 없는 사람을 제외하는 능력을 측정합니다. 진단 임계값을 조정하면 이러한 균형이 바뀌어 검사의 효과에 영향을 미칠 수 있습니다. ROC 곡선은 민감도와 특이도가 이러한 임계값에서 어떻게 변하는지 설명하는 데 특히 유용하여 분류를 위한 최적의 차단점을 식별하는 데 도움이 됩니다.

예측 변수가 질병과 관련이 없는 경우 민감도와 1-특이도는 대각선을 따라 정렬되어 모델이 우연보다 더 나은 성능을 보이지 않음을 나타냅니다. 그러나 예측 변수의 값이 높을수록 질병 위험이 더 크다는 것을 나타내는 경우 ROC 곡선은 대각선 위로 올라갑니다. 값이 낮을수록 위험이 더 크다는 것을 나타내는 경우 모델을 조정하여 ROC 곡선이 이 선 위로 올라가도록 하여 판별력이 향상되었음을 보여줄 수 있습니다.

ROC 곡선 아래의 면적은 선형 회귀의 R ^2와 매우 유사하지만 이진 결과에 대한 질병 상태와 건강한 상태를 구별하는 변수의 능력을 정량화합니다. 다양한 분류 모델의 ROC 곡선을 비교하면 다양한 임계값에서 예측 정확도가 나타나며, 예를 들어 특정 방법이 특이도가 높고 위험이 낮은 스크리닝에서 유사하게 효과적이지만 임상 진단의 정밀도가 다른지 여부를 보여줍니다. 이상적으로 ROC 곡선은 대각선에서 상당히 벗어나야 하는데, 편차가 클수록 진단 ​​검사의 정확도가 더 높음을 나타냅니다. 1에 가까운 AUC는 도구의 효과가 매우 높음을 나타내는 반면, 0.5에 가까운 값은 신뢰도가 낮음을 나타냅니다.

특정 질병에 대한 진단 도구나 검사를 평가할 때는 민감도와 특이도의 중요성을 모두 평가하는 것이 중요합니다.

민감도와 특이도 사이의 균형은 질병을 정의하는 역치에 따라 달라지며, 다양한 역치는 다른 결과로 이어질 수 있습니다.

예를 들어, 다양한 혈청 역가 수치 역치를 사용하여 발생한 질병에 대한 진단 검사를 생각해 보십시오.

이 표에서 계산된 특이성의 보수에 대한 민감도를 플로팅하면 수신기 작동 특성 또는 ROC 그래프를 얻을 수 있습니다.

그래프에서 볼 수 있듯이 곡선이 벤치마크 선에서 멀어질수록 진단 정확도가 높아집니다. 반대로, 근접성이 높을수록 테스트의 신뢰성이 떨어진다는 것을 나타냅니다.

따라서 ROC 곡선 아래 영역은 질병에 걸린 개인과 질병에 걸리지 않은 개인을 정확하게 구별하는 검사의 효율성을 나타내는 중요한 지표입니다.

우수한 진단 테스트는 곡선 아래 1.00에 가까운 영역이 특징인 반면 비효율적인 테스트는 0.50 영역에 접근합니다.