$$\rightleftharpoonup{xx}$$
$$\longleftharp{xx}$$,
$$\longrightharp{xx}$$,
ROC (Alıcı Çalışma Karakteristiği) grafiği, duyarlılık (gerçek pozitif oran) ve özgüllük (yanlış pozitif oran) arasındaki dengeyi göstererek ikili sınıflandırma modelinin performansını değerlendirmek için kullanılan grafiksel bir araçtır. Çeşitli eşik ayarları boyunca duyarlılığı 1 - özgüllüğe karşı çizerek, ROC eğrisi modelin sınıflar arasında ne kadar iyi ayrım yaptığını gösterir; sol üst köşeye daha yakın bir eğri daha doğru bir modeli gösterir. ROC eğrisinin altındaki alan (AUC) tek bir performans ölçüsü olarak işlev görür: 1'e yakın değerler daha iyi ayrımcılığı ifade ederken, 0,5'e yakın değerler rastgele tahmine benzer şekilde zayıf tahmin gücünü gösterir.
Belirli hastalıklar için tanı araçlarını değerlendirirken, bir testin doğruluğunu belirlemek için duyarlılık ve özgüllüğü dengelemek esastır. Duyarlılık, testin hastalığı olan kişileri doğru bir şekilde belirleme yeteneğini ölçerken, özgüllük hastalığı olmayan kişileri dışlama kapasitesini ölçer. Tanı eşiklerini ayarlamak bu dengeyi değiştirebilir ve testin etkinliğini etkileyebilir. ROC eğrisi, duyarlılık ve özgüllüğün bu eşikler boyunca nasıl değiştiğini göstermede özellikle yararlıdır ve sınıflandırma için en uygun sınırı belirlemeye yardımcı olur.
Tahmin edici değişkenin hastalıkla hiçbir ilişkisi olmadığında, duyarlılık ve 1 - özgüllük diyagonal çizgi boyunca hizalanır ve bu da modelin şanstan daha iyi performans göstermediğini gösterir. Ancak, bir tahmin edicinin daha yüksek değerleri daha yüksek hastalık riskini gösterdiğinde, ROC eğrisi diyagonalin üzerine çıkar. Daha düşük değerler daha yüksek riski gösteriyorsa, model ROC eğrisinin bu çizginin üzerine çıkmasını sağlamak için ayarlanabilir ve bu da gelişmiş ayrımcılık gösterir.
ROC eğrisinin altındaki alan, değişkenin hastalıklı ve sağlıklı durumlar arasında ayrım yapma yeteneğini, doğrusal regresyondaki R^2'ye benzer şekilde ancak ikili sonuçlar için ölçer. Çeşitli sınıflandırma modellerinden ROC eğrilerini karşılaştırmak, farklı eşikler boyunca tahmin edici doğruluklarını ortaya koyar ve örneğin, belirli yöntemlerin yüksek özgüllüklü, düşük riskli taramalarda benzer şekilde etkili olup olmadığını ancak klinik teşhis için hassasiyette farklılık gösterip göstermediğini gösterir. İdeal olarak, ROC eğrisi diyagonalden önemli ölçüde sapmalı, çünkü daha büyük sapma daha doğru bir tanı testini gösterir. 1'e yakın bir AUC oldukça etkili bir aracı yansıtırken, 0,5'e yakın değerler sınırlı güvenilirliği gösterir.
