HTML Microdata document

This HTML5 document contains 324 embedded RDF statements represented using HTML+Microdata notation.

The embedded RDF content will be recognized by any processor of HTML5 Microdata.

Namespace Prefixes

Prefix	IRI
dbt	http://dbpedia.org/resource/Template:
n26	http://faculty.ucmerced.edu/sites/default/files/eheit/files/
wikipedia-en	http://en.wikipedia.org/wiki/
n41	https://www.academia.edu/
dbr	http://dbpedia.org/resource/
dbpedia-he	http://he.dbpedia.org/resource/
n43	http://www2.clarku.edu/~rpontius/
n8	http://commons.wikimedia.org/wiki/Special:FilePath/
dbpedia-fr	http://fr.dbpedia.org/resource/
dcterms	http://purl.org/dc/terms/
rdfs	http://www.w3.org/2000/01/rdf-schema#
dbpedia-cs	http://cs.dbpedia.org/resource/
rdf	http://www.w3.org/1999/02/22-rdf-syntax-ns#
n17	http://d-nb.info/gnd/
n33	http://dbpedia.org/resource/File:
dbp	http://dbpedia.org/property/
xsdh	http://www.w3.org/2001/XMLSchema#
dbpedia-uk	http://uk.dbpedia.org/resource/
n32	http://home.comcast.net/~tom.fawcett/public_html/papers/
n28	http://www.navan.name/roc/
dbo	http://dbpedia.org/ontology/
dbpedia-vi	http://vi.dbpedia.org/resource/
n25	https://github.com/amsantac/
dbpedia-pt	http://pt.dbpedia.org/resource/
dbpedia-ja	http://ja.dbpedia.org/resource/
dbc	http://dbpedia.org/resource/Category:
dbpedia-de	http://de.dbpedia.org/resource/
n39	https://www.youtube.com/
n31	https://www.researchgate.net/publication/
yago	http://dbpedia.org/class/yago/
dbpedia-ru	http://ru.dbpedia.org/resource/
wikidata	http://www.wikidata.org/entity/
dbpedia-nl	http://nl.dbpedia.org/resource/
n44	https://global.dbpedia.org/id/
yago-res	http://yago-knowledge.org/resource/
dbpedia-it	http://it.dbpedia.org/resource/
dbpedia-ca	http://ca.dbpedia.org/resource/
prov	http://www.w3.org/ns/prov#
foaf	http://xmlns.com/foaf/0.1/
dbpedia-zh	http://zh.dbpedia.org/resource/
dbpedia-ko	http://ko.dbpedia.org/resource/
n23	http://lt.dbpedia.org/resource/
n20	https://kennis-research.shinyapps.io/ROC-Curves/
dbpedia-fa	http://fa.dbpedia.org/resource/
dbpedia-tr	http://tr.dbpedia.org/resource/
dbpedia-es	http://es.dbpedia.org/resource/
freebase	http://rdf.freebase.com/ns/
owl	http://www.w3.org/2002/07/owl#

Statements

Subject Item: dbr:Metabolic_Score_for_Insulin_Resistance
dbo:wikiPageWikiLink: dbr:Receiver_operating_characteristic

Subject Item: dbr:Partial_Area_Under_the_ROC_Curve
dbo:wikiPageWikiLink: dbr:Receiver_operating_characteristic

Subject Item: dbr:Prevalence
dbo:wikiPageWikiLink: dbr:Receiver_operating_characteristic

Subject Item: dbr:C-statistic
dbo:wikiPageWikiLink: dbr:Receiver_operating_characteristic
dbo:wikiPageRedirects: dbr:Receiver_operating_characteristic

Subject Item: dbr:Biometrics
dbo:wikiPageWikiLink: dbr:Receiver_operating_characteristic

Subject Item: dbr:Decision_curve_analysis
dbo:wikiPageWikiLink: dbr:Receiver_operating_characteristic

Subject Item: dbr:Demining
dbo:wikiPageWikiLink: dbr:Receiver_operating_characteristic

Subject Item: dbr:Area_under_the_curve_(pharmacokinetics)
dbo:wikiPageWikiLink: dbr:Receiver_operating_characteristic

Subject Item: dbr:Area_under_the_curve_(receiver_operating_characteristic)
dbo:wikiPageWikiLink: dbr:Receiver_operating_characteristic
dbo:wikiPageRedirects: dbr:Receiver_operating_characteristic

Subject Item: dbr:Detection_error_tradeoff
dbo:wikiPageWikiLink: dbr:Receiver_operating_characteristic

Subject Item: dbr:Detection_theory
dbo:wikiPageWikiLink: dbr:Receiver_operating_characteristic

Subject Item: dbr:Predictive_genomics
dbo:wikiPageWikiLink: dbr:Receiver_operating_characteristic

Subject Item: dbr:Analyse-it
dbo:wikiPageWikiLink: dbr:Receiver_operating_characteristic

Subject Item: dbr:Elizabeth_DeLong
dbo:wikiPageWikiLink: dbr:Receiver_operating_characteristic

Subject Item: dbr:Geneva_score
dbo:wikiPageWikiLink: dbr:Receiver_operating_characteristic

Subject Item: dbr:Nancy_Obuchowski
dbo:wikiPageWikiLink: dbr:Receiver_operating_characteristic

Subject Item: dbr:Gene_expression_programming
dbo:wikiPageWikiLink: dbr:Receiver_operating_characteristic

Subject Item: dbr:Gini_coefficient
dbo:wikiPageWikiLink: dbr:Receiver_operating_characteristic

Subject Item: dbr:Constant_false_alarm_rate
dbo:wikiPageWikiLink: dbr:Receiver_operating_characteristic

Subject Item: dbr:Coronavirus_breathalyzer
dbo:wikiPageWikiLink: dbr:Receiver_operating_characteristic

Subject Item: dbr:Operating_point
dbo:wikiPageWikiLink: dbr:Receiver_operating_characteristic

Subject Item: dbr:Receiver_Operating_Characteristic
dbo:wikiPageWikiLink: dbr:Receiver_operating_characteristic
dbo:wikiPageRedirects: dbr:Receiver_operating_characteristic

Subject Item: dbr:Lift_(data_mining)
dbo:wikiPageWikiLink: dbr:Receiver_operating_characteristic

Subject Item: dbr:Machine_learning
dbo:wikiPageWikiLink: dbr:Receiver_operating_characteristic

Subject Item: dbr:Hamilton_Rating_Scale_for_Depression
dbo:wikiPageWikiLink: dbr:Receiver_operating_characteristic

Subject Item: dbr:Ideal_observer_analysis
dbo:wikiPageWikiLink: dbr:Receiver_operating_characteristic

Subject Item: dbr:Acute_coronary_syndrome
dbo:wikiPageWikiLink: dbr:Receiver_operating_characteristic

Subject Item: dbr:Data_mining
dbo:wikiPageWikiLink: dbr:Receiver_operating_characteristic

Subject Item: dbr:WINdows_KwikStat
dbo:wikiPageWikiLink: dbr:Receiver_operating_characteristic

Subject Item: dbr:Docking_(molecular)
dbo:wikiPageWikiLink: dbr:Receiver_operating_characteristic

Subject Item: dbr:Youden's_J_statistic
dbo:wikiPageWikiLink: dbr:Receiver_operating_characteristic

Subject Item: dbr:Saliva_testing
dbo:wikiPageWikiLink: dbr:Receiver_operating_characteristic

Subject Item: dbr:Cumulative_accuracy_profile
dbo:wikiPageWikiLink: dbr:Receiver_operating_characteristic

Subject Item: dbr:ELKI
dbo:wikiPageWikiLink: dbr:Receiver_operating_characteristic

Subject Item: dbr:Brier_score
dbo:wikiPageWikiLink: dbr:Receiver_operating_characteristic

Subject Item: dbr:Diagnostic_odds_ratio
dbo:wikiPageWikiLink: dbr:Receiver_operating_characteristic

Subject Item: dbr:Educational_data_mining
dbo:wikiPageWikiLink: dbr:Receiver_operating_characteristic

Subject Item: dbr:False_positives_and_false_negatives
dbo:wikiPageWikiLink: dbr:Receiver_operating_characteristic

Subject Item: dbr:King's_College_Criteria
dbo:wikiPageWikiLink: dbr:Receiver_operating_characteristic

Subject Item: dbr:Sensitivity_index
dbo:wikiPageWikiLink: dbr:Receiver_operating_characteristic

Subject Item: dbr:Net_reclassification_improvement
dbo:wikiPageWikiLink: dbr:Receiver_operating_characteristic

Subject Item: dbr:Precision_and_recall
dbo:wikiPageWikiLink: dbr:Receiver_operating_characteristic

Subject Item: dbr:Real-time_locating_system
dbo:wikiPageWikiLink: dbr:Receiver_operating_characteristic

Subject Item: dbr:Timeline_of_probability_and_statistics
dbo:wikiPageWikiLink: dbr:Receiver_operating_characteristic

Subject Item: dbr:Binary_classification
dbo:wikiPageWikiLink: dbr:Receiver_operating_characteristic

Subject Item: dbr:Receiver_Operating_Characteristic_Curve_Explorer_and_Tester
dbo:wikiPageWikiLink: dbr:Receiver_operating_characteristic

Subject Item: dbr:Remote_ischemic_conditioning
dbo:wikiPageWikiLink: dbr:Receiver_operating_characteristic

Subject Item: dbr:Mann–Whitney_U_test
dbo:wikiPageWikiLink: dbr:Receiver_operating_characteristic

Subject Item: dbr:CAGE_questionnaire
dbo:wikiPageWikiLink: dbr:Receiver_operating_characteristic

Subject Item: dbr:CAPP-Seq
dbo:wikiPageWikiLink: dbr:Receiver_operating_characteristic

Subject Item: dbr:Somers'_D
dbo:wikiPageWikiLink: dbr:Receiver_operating_characteristic

Subject Item: dbr:Information
dbo:wikiPageWikiLink: dbr:Receiver_operating_characteristic

Subject Item: dbr:OpenEpi
dbo:wikiPageWikiLink: dbr:Receiver_operating_characteristic

Subject Item: dbr:Receiver_operating_characteristic
rdf:type: yago:Communication100033020 yago:VisualCommunication106873252 yago:Chart106999802 yago:Abstraction100002137 yago:WikicatStatisticalChartsAndDiagrams owl:Thing
rdfs:label: ROC křivka Curva ROC Corba característica de funcionament del receptor ROC-curve 受信者操作特性 ROC-Kurve Receiver operating characteristic 수신자 조작 특성 Característica de Operação do Receptor ROC曲线 Courbe ROC ROC-крива Receiver operating characteristic ROC-кривая
rdfs:comment: 수신자 조작 특성(受信者操作特性, Receiver operating characteristics, ROC) 혹은 반응자 작용특성,수용자 반응특성은 신호탐지이론에서 적중확률(Y축,True Positive Rate, Sensitivity) 대 오경보확률(X축, False Positive Rate, 1- Specificity)의 그래프이다. ROC그래프는 정기각률이 늘어나면 탈루률이 늘어나는 관계를 효용 대 비용의 관계로 설명하고 있다. ROC-кривая (англ. receiver operating characteristic, рабочая характеристика приёмника) — график, позволяющий оценить качество бинарной классификации, отображает соотношение между долей объектов от общего количества носителей признака, верно классифицированных как несущие признак (англ. true positive rate, TPR, называемой чувствительностью алгоритма классификации), и долей объектов от общего количества объектов, не несущих признака, ошибочно классифицированных как несущие признак (англ. false positive rate, FPR, величина 1-FPR называется специфичностью алгоритма классификации) при варьировании порога решающего правила. ROC křivka (z anglického Receiver Operating Characteristic, operační charakteristika přijímače) je graf, který popisuje kvalitu v závislosti na nastavení jeho klasifikačního prahu. Binárním klasifikátorem se rozumí zařízení (nebo člověk) odhadující zařazení nějakých objektů nebo případů do dvou skupin, obecně označovaných jako pozitivní a negativní. Přitom se předpokládá, že objekty jsou charakterizovány nějakou vlastností (proměnnou) vyjádřenou číslem a že klasifikátor zařazuje do pozitivní skupiny právě ty, u kterých hodnota této proměnné přesáhne stanovený klasifikační práh (což je nějaké pevně dané číslo). Příkladem binárního klasifikátoru může být bankéř, který na základě nějaké osoby rozhoduje, zda jí lze (pozitivní) nebo nelze (negativní) úspěšně poskytnout úvěr. Klasifikátor na z La fonction d’efficacité du récepteur, plus fréquemment désignée sous le terme « courbe ROC » (de l’anglais receiver operating characteristic, pour « caractéristique de fonctionnement du récepteur ») dite aussi caractéristique de performance (d'un test) ou courbe sensibilité/spécificité, est une mesure de la performance d'un classificateur binaire, c'est-à-dire d'un système qui a pour objectif de catégoriser des éléments en deux groupes distincts sur la base d'une ou plusieurs des caractéristiques de chacun de ces éléments. Graphiquement, on représente souvent la mesure ROC sous la forme d'une courbe qui donne le taux de vrais positifs (fraction des positifs qui sont effectivement détectés) en fonction du taux de faux positifs (fraction des négatifs qui sont incorrectement détectés). In de signaaldetectietheorie is een ROC-curve (Engels: receiver operating characteristic (ROC)) een grafiek van de gevoeligheid (sensitiviteit) als functie van de aspecificiteit (1 - specificiteit) voor een als zijn discriminatiedrempel wordt gevarieerd. De ROC kan ook worden weergegeven door de fractie van true positives (TPR = true positive rate) uit te zetten tegen de fractie van fout-positieven (FPR = false positive rate). De ROC-curve staat ook bekend als de relative operating characteristic curve, omdat twee operating characteristics (TPR en FPR) met elkaar worden vergeleken terwijl het criterium (de drempel) verandert. Nella teoria delle decisioni, le curve ROC (Receiver Operating Characteristic, anche note come Relative Operating Characteristic) sono degli schemi grafici per un classificatore binario. Lungo i due assi si possono rappresentare la sensibilità e (1-specificità), rispettivamente rappresentati da True Positive Rate (TPR, frazione di veri positivi) e False Positive Rate (FPR, frazione di falsi positivi). In altre parole, si studiano i rapporti fra allarmi veri (hit rate) e falsi allarmi. A Curva Característica de Operação do Receptor (Curva COR), ou, do inglês, Receiver Operating Characteristic Curve (ROC curve), ou, simplesmente, curva ROC, é uma representação gráfica que ilustra o desempenho (ou performance) de um sistema à medida que o seu limiar de discriminação varia. A curva ROC é também conhecida como curva de característica de operação relativa, porque o seu critério de mudança é resultado da operação de duas características (PV e PF). Die ROC-Kurve (ROC: englisch für receiver operating characteristic bzw. deutsch Operationscharakteristik eines Beobachters), auch Grenzwertoptimierungskurve oder Isosensitivitätskurve genannt ist eine Methode zur Bewertung und Optimierung von Analysestrategien. Die ROC-Kurve stellt visuell die Abhängigkeit der Effizienz mit der Fehlerrate für verschiedene Parameterwerte dar. Sie ist eine Anwendung der Signalentdeckungstheorie. 受信者操作特性（じゅしんしゃそうさとくせい、英 Receiver Operating Characteristic, ROC）は、信号処理の概念で、観測された信号からあるものの存在を判定する際の基準となる特性である。臨床検査などでも用いられEBMの基礎をなすものの一つとなっている。受信者動作特性（じゅしんしゃどうさとくせい）、受信者応答特性（じゅしんしゃおうとうとくせい）とも訳される。在信号检测理论中，接收者操作特征曲線，或者叫ROC曲线（英語：Receiver operating characteristic curve），是一种坐標圖式的分析工具，用於选择最佳的信號偵測模型、捨棄次佳的模型或者在同一模型中設定最佳閾值。在做決策時，ROC分析能不受成本／效益的影響，給出客觀中立的建議。 ROC曲线首先是由二战中的电子工程师和雷达工程师发明的，用来偵测战场上的敌军載具（飛機、船艦），也就是信号检测理论。之后很快就被引入了心理学来进行信号的知觉检测。數十年來，ROC分析被用於医学、无线电、生物學、犯罪心理學领域中，而且最近在机器学习（machine learning）和数据挖掘（data mining）领域也得到了很好的发展。 A receiver operating characteristic curve, or ROC curve, is a graphical plot that illustrates the diagnostic ability of a binary classifier system as its discrimination threshold is varied. The method was originally developed for operators of military radar receivers starting in 1941, which led to its name. ROC analysis provides tools to select possibly optimal models and to discard suboptimal ones independently from (and prior to specifying) the cost context or the class distribution. ROC analysis is related in a direct and natural way to cost/benefit analysis of diagnostic decision making. ROC-крива (англ. receiver operating characteristic, робоча характеристика приймача) — графік, що дозволяє оцінити якість бінарної класифікації, відображає співвідношення між часткою об'єктів від загальної кількості носіїв ознаки, правильно класифікованих до загальної кількості об'єктів, що не несуть ознаки, помилково класифікованих, як такі, що мають ознаку. Також відома як крива похибок. Аналіз класифікацій із застосуванням ROC-кривих називається ROC-аналізом. En la teoría de detección de señales, una curva ROC (acrónimo de Receiver Operating Characteristic, o Característica Operativa del Receptor) es una representación gráfica de la sensibilidad frente a la especificidad para un sistema clasificador binario según se varía el umbral de discriminación. Otra interpretación de este gráfico es la representación de la razón o proporción de verdaderos positivos (VPR = Razón de Verdaderos Positivos) frente a la razón o proporción de falsos positivos (FPR = Razón de Falsos Positivos) también según se varía el umbral de discriminación (valor a partir del cual decidimos que un caso es un positivo). ROC también puede significar Relative Operating Characteristic (Característica Operativa Relativa) porque es una comparación de dos características operativas
rdfs:seeAlso: dbr:Type_II_errors dbr:Type_I
foaf:depiction: n8:ROC_space-2.png n8:ROC.png n8:ROC_curves.svg n8:Roc_curve.svg n8:Roccurves.png n8:Example_of_DET_curves.png n8:TOC.png
dcterms:subject: dbc:Statistical_classification dbc:Data_mining dbc:Biostatistics dbc:Summary_statistics_for_contingency_tables dbc:Detection_theory
dbo:wikiPageID: 922505
dbo:wikiPageRevisionID: 1118010681
dbo:wikiPageWikiLink: dbr:Cohen's_kappa dbr:True_positive_rate dbr:Sensitivity_and_specificity dbr:Hungarian_algorithm dbr:Attack_on_Pearl_Harbor dbr:Type_I_Error dbr:Gram dbr:Hypertension dbr:F1_score dbr:Confusion_matrix dbr:Prentice_Hall dbr:Real_number dbr:Medicine dbr:Decision_tree_learning dbc:Data_mining dbr:Evidence-based_medicine dbr:Evaluation_of_binary_classifiers dbr:Forecasting dbr:Radiology dbr:Binary_classifier dbr:John_Wiley_&_Sons dbr:Natural_hazard dbr:Medical_diagnosis dbr:Total_operating_characteristic dbr:Medical_research dbr:Matthews_correlation_coefficient dbr:Continuous_probability_distribution dbr:Partial_Area_Under_the_ROC_Curve_(pAUC) dbr:Machine_learning dbr:Mapping_(mathematics) dbr:Algorithm dbr:Epidemiology dbr:Brier_score dbr:Standard_deviation dbr:World_War_II dbr:Specificity_(statistics) dbr:Classifier_(mathematics) dbr:Cumulative_distribution_function dbr:Psychology dbr:Biometrics dbr:Total_Operating_Characteristic n33:TOC.png dbr:Constant_false_alarm_rate dbr:Diagnostic_test dbc:Summary_statistics_for_contingency_tables dbr:False_positive_rate dbr:Decision_making dbr:D_prime dbr:Specificity_(tests) dbc:Biostatistics dbr:Statistical_power dbr:Detection_error_tradeoff dbr:Contingency_table dbr:Automatic_speaker_recognition dbr:Decilitre dbr:Detection_theory dbr:Signal_detection_theory dbr:Strength_theory dbr:Countable_set dbr:Wilcoxon_signed-rank_test dbr:Standard_score dbr:ROCCET dbr:Precision_and_recall dbr:Base_rate dbr:Sensitivity_(tests) dbr:Coefficient_of_determination dbr:Informedness dbr:Data_mining dbr:False_alarm dbr:Binary_classification dbr:Radar dbr:Sensitivity_index dbr:Meteorology n33:Roc_curve.svg n33:Roccurves.png n33:ROC_curves.svg dbr:Scientific_American dbc:Detection_theory dbr:Gini_coefficient dbr:Graph_of_a_function dbr:Youden's_J_statistic dbr:Fleiss'_kappa dbr:Normal_distribution dbr:Psychophysics n33:ROC.png dbr:Blood_pressure dbr:Mann–Whitney_U n33:Example_of_DET_curves.png n33:ROC_space-2.png dbc:Statistical_classification
dbo:wikiPageExternalLink: n20: n25:TOC n26:rotello_heit_dube_pbr.pdf n28: n31:263195341 n32:ROC101.pdf%7C n31:226020087%7C n39:watch%3Fv=OAl6eAyP-yo n39:watch%3Fv=KKVC3GT5EPw n41:19474075%7C n43:TOCexample2.xlsx n39:watch%3Fv=1JRwVOi0FSE
owl:sameAs: dbpedia-cs:ROC_křivka dbpedia-de:ROC-Kurve dbpedia-nl:ROC-curve n17:4178266-5 dbpedia-he:עקומת_ROC dbpedia-tr:ROC wikidata:Q327120 n23:ROC_kreivė dbpedia-es:Curva_ROC dbpedia-fr:Courbe_ROC freebase:m.0280vqc dbpedia-ja:受信者操作特性 dbpedia-ca:Corba_característica_de_funcionament_del_receptor dbpedia-it:Receiver_operating_characteristic dbpedia-ru:ROC-кривая yago-res:Receiver_operating_characteristic dbpedia-zh:ROC曲线 dbpedia-vi:Đường_cong_ROC dbpedia-pt:Característica_de_Operação_do_Receptor n44:31tAZ dbpedia-ko:수신자_조작_특성 dbpedia-uk:ROC-крива dbpedia-fa:منحنی_مشخصه_عملکرد_سیستم
dbp:wikiPageUsesTemplate: dbt:Reflist dbt:Math dbt:Statistics dbt:ISBN dbt:Public_health dbt:Commons_category dbt:Authority_control dbt:Div_col dbt:Div_col_end dbt:Clear dbt:Cite_journal dbt:Cite_book dbt:Confusion_matrix_terms dbt:Citation_needed dbt:Sup dbt:Sub dbt:Short_description dbt:Portal dbt:Diagnostic_testing_diagram dbt:Machine_learning_evaluation_metrics dbt:See_also
dbo:thumbnail: n8:Roccurves.png?width=300
dbo:abstract: ROC-кривая (англ. receiver operating characteristic, рабочая характеристика приёмника) — график, позволяющий оценить качество бинарной классификации, отображает соотношение между долей объектов от общего количества носителей признака, верно классифицированных как несущие признак (англ. true positive rate, TPR, называемой чувствительностью алгоритма классификации), и долей объектов от общего количества объектов, не несущих признака, ошибочно классифицированных как несущие признак (англ. false positive rate, FPR, величина 1-FPR называется специфичностью алгоритма классификации) при варьировании порога решающего правила. Также известна как кривая ошибок. Анализ классификаций с применением ROC-кривых называется ROC-анализом. Количественная интерпретация ROC даёт показатель AUC (англ. Area Under Curve, площадь под кривой) — площадь, ограниченная ROC-кривой и осью доли ложных положительных классификаций. Чем выше показатель AUC, тем качественнее классификатор, при этом значение 0,5 демонстрирует непригодность выбранного метода классификации (соответствует случайному гаданию). Значение менее 0,5 говорит, что классификатор действует с точностью до наоборот: если положительные назвать отрицательными и наоборот, классификатор будет работать лучше. A receiver operating characteristic curve, or ROC curve, is a graphical plot that illustrates the diagnostic ability of a binary classifier system as its discrimination threshold is varied. The method was originally developed for operators of military radar receivers starting in 1941, which led to its name. The ROC curve is created by plotting the true positive rate (TPR) against the false positive rate (FPR) at various threshold settings. The true-positive rate is also known as sensitivity, recall or probability of detection. The false-positive rate is also known as probability of false alarm and can be calculated as (1 − specificity). The ROC can also be thought of as a plot of the power as a function of the Type I Error of the decision rule (when the performance is calculated from just a sample of the population, it can be thought of as estimators of these quantities). The ROC curve is thus the sensitivity or recall as a function of fall-out. In general, if the probability distributions for both detection and false alarm are known, the ROC curve can be generated by plotting the cumulative distribution function (area under the probability distribution from to the discrimination threshold) of the detection probability in the y-axis versus the cumulative distribution function of the false-alarm probability on the x-axis. ROC analysis provides tools to select possibly optimal models and to discard suboptimal ones independently from (and prior to specifying) the cost context or the class distribution. ROC analysis is related in a direct and natural way to cost/benefit analysis of diagnostic decision making. The ROC curve was first developed by electrical engineers and radar engineers during World War II for detecting enemy objects in battlefields and was soon introduced to psychology to account for perceptual detection of stimuli. ROC analysis since then has been used in medicine, radiology, biometrics, forecasting of natural hazards, meteorology, model performance assessment, and other areas for many decades and is increasingly used in machine learning and data mining research. The ROC is also known as a relative operating characteristic curve, because it is a comparison of two operating characteristics (TPR and FPR) as the criterion changes. A Curva Característica de Operação do Receptor (Curva COR), ou, do inglês, Receiver Operating Characteristic Curve (ROC curve), ou, simplesmente, curva ROC, é uma representação gráfica que ilustra o desempenho (ou performance) de um sistema à medida que o seu limiar de discriminação varia. A curva ROC é também conhecida como curva de característica de operação relativa, porque o seu critério de mudança é resultado da operação de duas características (PV e PF). A curva ROC é obtido pela representação da razão RPV = Positivos Verdadeiros / Positivos Totais versus a razão RPF = Positivos Falsos / Negativos Totais, para vários valores do limiar de classificação. O RPV é também conhecido como sensibilidade (ou taxa de verdadeiros positivos), e RPF = 1-especificidade ou taxa de falsos positivos. A especificidade é conhecida como taxa de verdadeiros negativos (RVN). A analise ROC fornece ferramentas para selecionar modelos possivelmente ideais (modelos ótimos) e descartar modelos não tão ótimos, independentemente (e antes de especificar) o contexto de custos ou a distribuição de classe. A análise ROC está relacionada de forma direta e natural com a análise de custo/benefício do diagnóstico. A curva ROC foi inicialmente desenvolvida por engenheiros eletricista e engenheiros de radar durante a Segunda Gerra Mundial para detectar objetos inimigos em campos de batalha e não tardou para ser introduzida em psicologia para explicar a detecção perceptiva de estímulos. A análise ROC, desde então, tem sido usada na medicina, radiologia, biometria, , análise de , em meteorologia, em modelos de avaliação de performance, em estudos de validade , em machine learning, data mining e outras áreas. ROC-крива (англ. receiver operating characteristic, робоча характеристика приймача) — графік, що дозволяє оцінити якість бінарної класифікації, відображає співвідношення між часткою об'єктів від загальної кількості носіїв ознаки, правильно класифікованих до загальної кількості об'єктів, що не несуть ознаки, помилково класифікованих, як такі, що мають ознаку. Також відома як крива похибок. Аналіз класифікацій із застосуванням ROC-кривих називається ROC-аналізом. Кількісну інтерпретацію ROC дає показник AUC (англ. area under ROC curve, площа під ROC-кривою) — площа, обмежена ROC-кривою і віссю частки помилкових позитивних класифікацій. Чим вище показник AUC, тим якісніше діє класифікатор, при цьому значення 0,5 демонструє непридатність обраного методу класифікації (відповідає звичайному вгадуванню). La fonction d’efficacité du récepteur, plus fréquemment désignée sous le terme « courbe ROC » (de l’anglais receiver operating characteristic, pour « caractéristique de fonctionnement du récepteur ») dite aussi caractéristique de performance (d'un test) ou courbe sensibilité/spécificité, est une mesure de la performance d'un classificateur binaire, c'est-à-dire d'un système qui a pour objectif de catégoriser des éléments en deux groupes distincts sur la base d'une ou plusieurs des caractéristiques de chacun de ces éléments. Graphiquement, on représente souvent la mesure ROC sous la forme d'une courbe qui donne le taux de vrais positifs (fraction des positifs qui sont effectivement détectés) en fonction du taux de faux positifs (fraction des négatifs qui sont incorrectement détectés). Les courbes ROC furent inventées pendant la Seconde Guerre mondiale pour montrer la séparation entre les signaux radar et le bruit de fond.[réf. nécessaire] Elles sont souvent utilisées en statistiques pour montrer les progrès réalisés grâce à un classificateur binaire lorsque le seuil de discrimination varie. Si le modèle calcule un score s qui est comparé au seuil S pour prédire la classe ([s ≥ S] = positif et [s < S] = négatif, généralement), et qu’on compare ensuite avec les classes positif et négatif réelles, la sensibilité est donnée par le taux de positifs réels classés positifs, et l’antispécificité (1 moins la spécificité) par le taux de négatifs réels classés positifs. On met l’antispécificité en abscisse et la sensibilité en ordonnée pour former la courbe ROC. Chaque valeur de S fournit un point de la courbe, qui croit (non-strictement) de (0, 0) à (1, 1). * En (0, 0) le classificateur classe tout négatif : il n’y a aucun faux positif, mais également aucun vrai positif. Les proportions de vrais et faux négatifs dépendent de la population sous-jacente. * En (1, 1) le classificateur classe tout positif : il n’y a aucun vrai négatif, mais également aucun faux négatif. Les proportions de vrais et faux positifs dépendent de la population sous-jacente. * Un classificateur aléatoire tracera une droite allant de (0, 0) à (1, 1). * En (0, 1) le classificateur n’a aucun faux positif ni aucun faux négatif, et est par conséquent parfaitement exact, ne se trompant jamais. * En (1, 0) le classificateur n’a aucun vrai négatif ni aucun vrai positif, et est par conséquent parfaitement inexact, se trompant toujours. Il suffit d’inverser sa prédiction pour en faire un classificateur parfaitement exact. Dans la (en), les grandeurs d' et A' mesurent l'aire sous la courbe ROC. Plus cette aire est grande, plus la courbe s’écarte de la ligne du classificateur aléatoire et se rapproche du coude du classificateur idéal (qui passe de (0, 0) à (0, 1) à (1, 1)). L'intérêt de la courbe ROC dans le domaine médical a été souligné dès 1960. Depuis, cet outil statistique a été utilisé notamment dans le domaine pharmaceutique, en radiologie et en biologie. La courbe ROC s’est imposée en biologie clinique depuis plusieurs années. Elle permet la détermination et la comparaison des performances diagnostiques de plusieurs tests à l’aide de l’évaluation des aires sous la courbe. Elle est aussi utilisée pour estimer la valeur seuil optimale d’un test en tenant compte des données épidémiologiques et médico-économiques de la maladie . ROC křivka (z anglického Receiver Operating Characteristic, operační charakteristika přijímače) je graf, který popisuje kvalitu v závislosti na nastavení jeho klasifikačního prahu. Binárním klasifikátorem se rozumí zařízení (nebo člověk) odhadující zařazení nějakých objektů nebo případů do dvou skupin, obecně označovaných jako pozitivní a negativní. Přitom se předpokládá, že objekty jsou charakterizovány nějakou vlastností (proměnnou) vyjádřenou číslem a že klasifikátor zařazuje do pozitivní skupiny právě ty, u kterých hodnota této proměnné přesáhne stanovený klasifikační práh (což je nějaké pevně dané číslo). Příkladem binárního klasifikátoru může být bankéř, který na základě nějaké osoby rozhoduje, zda jí lze (pozitivní) nebo nelze (negativní) úspěšně poskytnout úvěr. Klasifikátor na základě takového postupu může buď objekt zařadit správně, anebo se může dopustit chyby; navíc záleží i na tom, zda případ je, nebo není ve skutečnosti pozitivní. Lze tak rozlišit čtyři případy: 1. skutečný pozitivní (true positive, jejich počet se označuje TP; odpovídá situaci, kdy bankéř poskytne úvěr a klient ho řádně splatí), 2. skutečný negativní (true negative, TN; bankéř odmítne klienta, který by úvěr nesplatil), 3. falešný pozitivní čili falešný poplach (false positive, FP; poskytnutí úvěru klientovi, který peníze bance nevrátí) a 4. falešný negativní (false negative, FN; klient nedostane úvěr, i když by ho řádně splácel). Na základě uvedených počtů lze odhadnout pravděpodobnost detekce (true positive rate), označovanou také jako senzitivita, jako TPR = TP / počet pozitivních = TP / (TP + FN), a pravděpodobnost falešné pozitivity (false positive rate) jako FPR = FP / počet negativních = FP / (FP + TN). ROC křivka vynáší FPR na ose x a TPR na ose y pro všechny možné klasifikační prahy. Obě souřadnice klesají, když klasifikační práh roste: čím vyšší je klasifikační práh, tím méně případů klasifikujeme jako pozitivní, a tím také klesá senzitivita i pravděpodobnost falešné pozitivity, až nakonec obě čísla klesají k nule. Naopak s klesajícím prahem se obě hodnoty blíží k jedničce. ROC křivky proto propojují bod (0, 0) a bod (1, 1). V případě, že proměnná, na jejímž základě se klasifikátor rozhoduje, příliš nesouvisí s tím, zda je zkoumaný případ pozitivní nebo negativní, se bude ROC křivka podobat úsečce spojující tyto dva body – nebude výrazně zakřivená. Naopak pokud proměnná obsahuje podstatnou informaci o pozitivitě nebo negativitě zkoumaných případů a klasifikační práh je nastaven správně, bude odpovídající bod na ROC křivce ležet v blízkosti „optimálního“ bodu (0, 1), v němž nedochází k žádným falešným poplachům a všechny pozitivní objekty jsou odhaleny. Čím tedy je ROC křivka zakřivenější ve směru vzhůru, tím víc klasifikační proměnná obsahuje informace o zařazení objektů a tím je její použití pro danou klasifikační úlohu vhodnější. Jako souhrnné hodnocení klasifikační schopnosti proměnné se proto často používá plocha pod ROC křivkou. ROC křivky vznikly za druhé světové války při zkoumání schopností nově vynalezených radarů správně detekovat nepřátelská letadla. Postupně se rozšířily do psychologie, medicíny a dalších oborů, dnes se využívají velmi široce ve všech oblastech, kde se provádí klasifikace nějakých objektů na základě dat. En la teoría de detección de señales, una curva ROC (acrónimo de Receiver Operating Characteristic, o Característica Operativa del Receptor) es una representación gráfica de la sensibilidad frente a la especificidad para un sistema clasificador binario según se varía el umbral de discriminación. Otra interpretación de este gráfico es la representación de la razón o proporción de verdaderos positivos (VPR = Razón de Verdaderos Positivos) frente a la razón o proporción de falsos positivos (FPR = Razón de Falsos Positivos) también según se varía el umbral de discriminación (valor a partir del cual decidimos que un caso es un positivo). ROC también puede significar Relative Operating Characteristic (Característica Operativa Relativa) porque es una comparación de dos características operativas (VPR y FPR) según cambiamos el umbral para la decisión. En español es preferible mantener el acrónimo inglés, aunque es posible encontrar el equivalente español COR. No se suele utilizar ROC aislado, debemos decir “curva ROC” o “análisis ROC”. Sobre la historia del acrónimo ROC consultar Swets (1996). El análisis de la curva ROC, o simplemente análisis ROC, proporciona herramientas para seleccionar los modelos posiblemente óptimos y descartar modelos subóptimos independientemente de (y antes de especificar) el coste de la distribución de las dos clases sobre las que se decide. La curva ROC es también independiente de la distribución de las clases en la población (en diagnóstico, la prevalencia de una enfermedad en la población). El análisis ROC se relaciona de forma directa y natural con el análisis de coste/beneficio en toma de decisiones diagnósticas. La curva ROC se desarrolló por ingenieros eléctricos para medir la eficacia en la detección de objetos enemigos en campos de batalla mediante pantallas de radar, a partir de lo cual se desarrolla la Teoría de Detección de Señales (TDS). El análisis ROC se aplicó posteriormente en medicina, radiología, psicología y otras áreas durante varias décadas. Solo recientemente ha encontrado aplicación en áreas como aprendizaje automático (o machine learning en inglés), y minería de datos (data mining en inglés). Die ROC-Kurve (ROC: englisch für receiver operating characteristic bzw. deutsch Operationscharakteristik eines Beobachters), auch Grenzwertoptimierungskurve oder Isosensitivitätskurve genannt ist eine Methode zur Bewertung und Optimierung von Analysestrategien. Die ROC-Kurve stellt visuell die Abhängigkeit der Effizienz mit der Fehlerrate für verschiedene Parameterwerte dar. Sie ist eine Anwendung der Signalentdeckungstheorie. Die ROC-Kurve kann eingesetzt werden, um den bestmöglichen Wert eines Parameters zu finden, beispielsweise bei einem dichotomen (semi-)quantitativen Merkmal oder Zwei-Klassen-Klassifizierungsproblem. 在信号检测理论中，接收者操作特征曲線，或者叫ROC曲线（英語：Receiver operating characteristic curve），是一种坐標圖式的分析工具，用於选择最佳的信號偵測模型、捨棄次佳的模型或者在同一模型中設定最佳閾值。在做決策時，ROC分析能不受成本／效益的影響，給出客觀中立的建議。 ROC曲线首先是由二战中的电子工程师和雷达工程师发明的，用来偵测战场上的敌军載具（飛機、船艦），也就是信号检测理论。之后很快就被引入了心理学来进行信号的知觉检测。數十年來，ROC分析被用於医学、无线电、生物學、犯罪心理學领域中，而且最近在机器学习（machine learning）和数据挖掘（data mining）领域也得到了很好的发展。 In de signaaldetectietheorie is een ROC-curve (Engels: receiver operating characteristic (ROC)) een grafiek van de gevoeligheid (sensitiviteit) als functie van de aspecificiteit (1 - specificiteit) voor een als zijn discriminatiedrempel wordt gevarieerd. De ROC kan ook worden weergegeven door de fractie van true positives (TPR = true positive rate) uit te zetten tegen de fractie van fout-positieven (FPR = false positive rate). De ROC-curve staat ook bekend als de relative operating characteristic curve, omdat twee operating characteristics (TPR en FPR) met elkaar worden vergeleken terwijl het criterium (de drempel) verandert. ROC-analyse kan gebruikt worden voor kosten-batenanalyse bij diagnostische besliskunde. Met ROC-analyse kunnen optimale modellen worden uitgekozen en minder goede verworpen. De ROC-curve werd oorspronkelijk ontwikkeld door elektrotechnici en radartechnici in de Tweede Wereldoorlog om vijandelijke objecten te onderscheiden. Het vakgebied heet ook wel signaaldetectietheorie. Tegenwoordig wordt ROC-analyse al tientallen jaren toegepast in de geneeskunde, radiologie, psychologie en andere gebieden. Sinds kort wordt het ook gebruikt bij machinaal leren en datamining. 受信者操作特性（じゅしんしゃそうさとくせい、英 Receiver Operating Characteristic, ROC）は、信号処理の概念で、観測された信号からあるものの存在を判定する際の基準となる特性である。臨床検査などでも用いられEBMの基礎をなすものの一つとなっている。受信者動作特性（じゅしんしゃどうさとくせい）、受信者応答特性（じゅしんしゃおうとうとくせい）とも訳される。 Nella teoria delle decisioni, le curve ROC (Receiver Operating Characteristic, anche note come Relative Operating Characteristic) sono degli schemi grafici per un classificatore binario. Lungo i due assi si possono rappresentare la sensibilità e (1-specificità), rispettivamente rappresentati da True Positive Rate (TPR, frazione di veri positivi) e False Positive Rate (FPR, frazione di falsi positivi). In altre parole, si studiano i rapporti fra allarmi veri (hit rate) e falsi allarmi. La curva ROC viene creata tracciando il valore del True Positive Rate (TPR, frazione di veri positivi) rispetto al False Positive Rate (FPR, frazione di falsi positivi) a varie impostazioni di soglia. Il tasso di veri positivi è anche noto come sensibilità, richiamo o probabilità di rilevazione. Il tasso di falsi positivi è anche noto come fall-out o probabilità di falsi allarmi e può essere calcolato come (1 - specificità). Può anche essere pensato come un diagramma della potenza in funzione dell'errore di tipo I :quando la prestazione viene calcolata da un solo campione della popolazione, può essere considerata come una stima di queste quantità. La curva ROC è quindi il tasso dei veri positivi in funzione del tasso dei falsi positivi. In generale, se sono note le distribuzioni di sensibilità e 1-specificità, la curva ROC può essere generata tracciando la funzione di distribuzione cumulativa (area sotto la distribuzione di probabilità da alla soglia di discriminazione) della probabilità di rilevamento nell'asse y rispetto alla funzione di distribuzione cumulativa della probabilità di falso allarme sull'asse x. Il ROC è anche noto come curva Receiver Operating Characteristic, poiché è un confronto tra due caratteristiche operative (TPR e FPR) al cambiare del criterio. 수신자 조작 특성(受信者操作特性, Receiver operating characteristics, ROC) 혹은 반응자 작용특성,수용자 반응특성은 신호탐지이론에서 적중확률(Y축,True Positive Rate, Sensitivity) 대 오경보확률(X축, False Positive Rate, 1- Specificity)의 그래프이다. ROC그래프는 정기각률이 늘어나면 탈루률이 늘어나는 관계를 효용 대 비용의 관계로 설명하고 있다.
prov:wasDerivedFrom: wikipedia-en:Receiver_operating_characteristic?oldid=1118010681&ns=0
dbo:wikiPageLength: 54548
foaf:isPrimaryTopicOf: wikipedia-en:Receiver_operating_characteristic