ROC Analizi (Receiver Operating Characteristic)
Receiver Operating Characteristic Analysis · Ayrıca şöyle bilinir: ROC curve analysis, AUC analysis, sensitivity-specificity analysis, diagnostic accuracy analysis
ROC analizi, sürekli veya sıralı bir test değişkeninin iki ikili sonuç sınıfı arasındaki ayrım gücünü ne kadar iyi değerlendirdiğini inceler. Tüm karar eşiklerinde doğru pozitif oranını (duyarlılık) yanlış pozitif oranına (1 − özgüllük) karşı çizerek, 0.5 (şans) ile 1.0 (mükemmel ayrım) arasında değişen genel ayrım gücünü ölçen eğrinin altında kalan alanı (AUC) üreten bir eğri elde edilir.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
ROC analizi, bir sınıflandırıcı veya tanı testinin ikili bir sonuç üzerindeki ayrım doğruluğunu değerlendirmek veya karşılaştırmak istediğinizde, özellikle optimal karar eşiği önceden belirlenmemişse kullanılır. Klinik tanılar, biyobelirteç çalışmaları, makine öğrenimi sınıflandırması ve kredi puanı doğrulamada standart değerlendirme aracıdır. Sonuç ikili değilse veya tahminleyici doğal bir sıralamaya sahip olmayan tamamen kategorikse ROC analizi kullanmayın; ve hassasiyet-duyarlılık eğrilerinin daha bilgilendirici olabileceği, sınıf dengesizliğinin yüksek olduğu veri kümelerinde AUC'yi yorumlarken dikkatli olun.
Güçlü yönler & sınırlılıklar
- Eşikten bağımsız: performansı, keyfi bir kesme noktası yerine tüm çalışma noktaları üzerinden özetler.
- AUC, doğrudan olasılıksal bir yoruma sahiptir (pozitif bir vakanın negatif bir vakadan daha yüksek skorlanma olasılığı).
- Aynı örneklem üzerinde birden fazla tanı testinin istatistiksel olarak titiz bir şekilde karşılaştırılmasına olanak tanır.
- Klinisyenler, politika yapıcılar ve mühendisler tarafından yaygın olarak kabul görmüş ve yorumlanabilir.
- Hastalık prevalansındaki değişikliklere karşı dayanıklıdır (tahmini değerlerin aksine).
- AUC, yüksek AUC elde eden bile kötü bir sınıflandırıcı olduğunda yanıltıcı olabilir, özellikle dengesiz veri kümelerinde.
- Tüm bir eğriyi tek bir sayıyla özetlemek, belirli eşiklerdeki performans bilgilerini kaybetmektir.
- Optimal kesme noktasının seçimi, genellikle örtük veya keyfi olan açık maliyet varsayımları gerektirir.
- Tahmin skorunun tüm deneklerde tutarlı olduğunu varsayar; kalibrasyon (olasılık doğruluğu) ayrı bir konudur ve AUC tarafından yakalanmaz.
SSS
İyi bir AUC nedir?
Yaygın bir sezgisel kural şöyledir: 0.5 = şans, 0.5–0.7 = zayıf, 0.7–0.8 = kabul edilebilir, 0.8–0.9 = iyi, >0.9 = mükemmel. Bunlar kaba kılavuzlardır. Hayati önem taşıyan taramalarda, 0.85 bile yetersiz olabilir; keşif araştırmalarında, 0.70 dikkate değer olabilir. Her zaman güven aralığını raporlayın ve alan bağlamında yorumlayın.
AUC, Mann-Whitney U istatistiği ile nasıl ilişkilidir?
AUC, rastgele seçilmiş pozitif bir vakanın rastgele seçilmiş negatif bir vakadan daha yüksek skorlanma olasılığına eşittir. Bu, grup boyutlarının çarpımına göre normalize edilmiş Mann-Whitney U istatistiği ile cebirsel olarak aynıdır, bu nedenle iki yaklaşım aynı sonucu verir ve aynı parametrik olmayan temelleri paylaşır.
ROC mu yoksa hassasiyet-duyarlılık eğrilerini mi kullanmalıyım?
Her iki sınıf da kabaca eşit derecede önemli olduğunda ROC eğrileri uygundur. Pozitif vakalar nadir olduğunda (örneğin, hastalık prevalansı <%5), ROC AUC yüksek kalırken modelin gerçek pozitiflerin çoğunu kaçırması durumunda hassasiyet-duyarlılık eğrileri model performansındaki farklılıklara daha duyarlıdır.
İki ROC eğrisini istatistiksel olarak nasıl karşılaştırırım?
Eşleştirilmiş veriler için (iki yöntemle test edilen aynı denekler), eğriler arasındaki korelasyonu hesaba katan DeLong parametrik olmayan yöntemi veya Hanley-McNeil yaklaşımını kullanın. Bağımsız örneklemler için bootstrap standart yaklaşımdır.
Yüksek bir AUC, testin iyi kalibre edildiği anlamına mı gelir?
Hayır. AUC, ayrım gücünü — pozitif vakaları negatif olanların üzerine sıralama yeteneğini — ölçer, kalibrasyonu değil, yani tahmin edilen olasılıkların gözlemlenen olay oranlarıyla eşleşip eşleşmediğini. Mükemmel AUC'ye sahip bir test sistematik olarak aşırı veya eksik güvenli olabilir. Kalibrasyon metriklerini (örneğin, Hosmer-Lemeshow, kalibrasyon grafikleri) ayrı olarak raporlayın.
Kaynaklar
- Hanley, J. A., & McNeil, B. J. (1982). The meaning and use of the area under a receiver operating characteristic (ROC) curve. Radiology, 143(1), 29–36. DOI: 10.1148/radiology.143.1.7063747 ↗
- Zweig, M. H., & Campbell, G. (1993). Receiver-operating characteristic (ROC) plots: a fundamental evaluation tool in clinical medicine. Clinical Chemistry, 39(4), 561–577. DOI: 10.1093/clinchem/39.4.561 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Receiver Operating Characteristic Analysis. ScholarGate. https://scholargate.app/tr/statistics/roc-analysis
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Diskriminant Analiziİstatistik↔ karşılaştır
- Etki Büyüklüğü Analiziİstatistik↔ karşılaştır
- Kendall's Tau Sıra Korelasyonuİstatistik↔ karşılaştır
- Hassasiyet ve ÖzgüllükAraştırma istatistiği↔ karşılaştır