Corba ROC de tres predictors de l'escissió de pèptids al proteasoma.
Una corba característica de funcionament del receptor, o corba ROC, és una gràfica que il·lustra la capacitat de diagnòstic d'un sistema de classificació binària a mesura que es varia el seu llindar de discriminació. El mètode es va desenvolupar originalment per als operadors de receptors de radar militars a partir de 1941, cosa que va donar lloc al seu nom.[1]
Descripció
L'espai ROC i gràfics dels quatre exemples de predicció.
La corba ROC es crea traçant la taxa de veritables positius (TPR) contra la taxa de falsos positius (FPR) a diversos paràmetres de llindar.[2] La taxa de veritables positius també rep el nom de sensibilitat, reclam o probabilitat de detecció, mentre que a la taxa de falsos positius també es coneix com a especificitat o probabilitat de falsa alarma.[3] La corba ROC també es pot pensar com una gràfica de la potència en funció de l'error de tipus I de la regla de decisió (quan el rendiment es calcula només a partir d'una mostra de la població, es pot considerar com a estimadors d'aquestes quantitats). La corba ROC és, per tant, la sensibilitat en funció de l'especificitat. En general, si es coneixen les distribucions de probabilitat tant per a la detecció com per a la falsa alarma, la corba ROC es pot generar traçant la funció de distribució acumulada (àrea sota la distribució de probabilitat de al llindar de discriminació) de la probabilitat de detecció en l'eix y enfront de la funció de distribució acumulada de la probabilitat de falsa alarma a l'eix x.[4]
L'anàlisi ROC proporciona eines per seleccionar models possiblement òptims i descartar-ne els subòptims independentment (i abans d'especificar el context) de costos o la distribució de classes. L'anàlisi ROC està relacionada d'una manera directa i natural amb l'anàlisi de cost-benefici de la presa de decisions de diagnòstic.[5]
Espai ROC
L'espai ROC per a un classificador "millor" i "pitjor".
L'àrea sota la corba ROC, també anomenada espai ROC, representa la capacitat discriminatòria del model. El seu valor va de 0 a 1, on un valor de 1 indicaria un model perfecte, mentre que un valor de 0.5 indica que el model no és millor que un classificador a l'atzar.[6]
