منحنی مشخصه عملکرد سیستم یا منحنی عملیاتی گیرنده ( به انگلیسی: Receiver operating characteristic ) یک روش کمی ارزیابی در مسائل طبقه بندی است که با ROC نشان داده می شود. [ ۱]
این روش در فیزیک پزشکی برای مقایسه اختلاف روشهای تصویربرداری بکار می رود. در این روش هدف این است که توانایی آسیب شناسی یک سامانه دقیقاً ارزیابی شود لذا از معیارهایی که بر اساس قضاوت و تصمیم اشخاص است استفاده می شود. [ ۲] [ ۳]
منحنی ROC با رسم نرخ مثبت واقعی ( TPR ) در برابر نرخ مثبت کاذب ( FPR ) در تنظیمات آستانه های مختلف ایجاد می شود. نرخ مثبت واقعی به عنوان حساسیت، بازیابی یا احتمال تشخیص نیز شناخته می شود. [ ۴] نرخ مثبت کاذب نیز به عنوان احتمال هشدار کاذب[ ۴] شناخته می شود و می تواند به عنوان ( ویژگی - ۱ ) محاسبه شود. ROC همچنین می تواند به عنوان نموداری از توان آماری به عنوان تابعی از خطای نوع اول قاعده تصمیم در نظر گرفته شود ( زمانی که عملکرد فقط از نمونه ای از جامعه محاسبه می شود، می توان آن را به عنوان تخمینگر این کمیت ها در نظر گرفت ) . بنابراین منحنی ROC حساسیت یا بازیابی به عنوان تابعی از نرخ مثبت کاذب است. به طور کلی، اگر توزیع احتمال برای هر دو تشخیص و هشدار نادرست شناخته شده باشد، منحنی ROC را می توان با رسم تابع توزیع تجمعی ( ناحیه زیر توزیع احتمال از − ∞ تا آستانه تشخیص ) احتمال تشخیص در محور y در مقابل تابع توزیع تجمعی احتمال هشدار کاذب در محور x ایجاد کرد.
ROC همچنین به عنوان یک منحنی مشخصه عملکرد نسبی شناخته می شود، زیرا مقایسه دو ویژگی عملیاتی ( TPR و FPR ) به عنوان تغییر معیار است. [ ۵]
یک مدل طبقه بندی یک نگاشت از نمونه های بین کلاس ها/گروه های خاص است. از آنجایی که طبقه بندی کننده یا نتیجه تشخیص می تواند یک عدد حقیقی دلخواه باشد ( خروجی پیوسته ) ، مرز طبقه بندی کننده بین کلاس ها باید با یک مقدار آستانه تعیین شود ( به عنوان مثال، برای تعیین اینکه آیا یک فرد بر اساس اندازه گیری فشار خون مبتلا به فشار خون بالا است یا خیر ) . یا می تواند یک برچسب کلاس گسسته باشد که یکی از کلاس ها را نشان می دهد.
یک مشکل پیش بینی دو طبقه ای ( طبقه بندی دودویی ) را در نظر بگیرید که در آن نتایج به صورت مثبت ( p ) یا منفی ( n ) برچسب گذاری می شوند. چهار نتیجه ممکن از یک طبقه بندی کننده باینری وجود دارد. اگر نتیجه یک پیش بینی p باشد و مقدار واقعی نیز p باشد، آن را مثبت واقعی ( TP ) می گویند. با این حال اگر مقدار واقعی n باشد، گفته می شود که مثبت کاذب ( FP ) است. برعکس، منفی واقعی ( TN ) زمانی رخ می دهد که هم نتیجه پیش بینی و هم مقدار واقعی n باشد، و منفی کاذب ( FN ) زمانی رخ می دهد که نتیجه پیش بینی n باشد در حالی که مقدار واقعی p باشد. برای به دست آوردن مثال مناسب در یک مشکل دنیای واقعی، یک آزمایش تشخیصی را در نظر بگیرید که به دنبال تعیین اینکه آیا یک فرد به بیماری خاصی مبتلا است یا خیر. مثبت کاذب در این مورد زمانی اتفاق می افتد که آزمایش فرد مثبت باشد، اما در واقع به بیماری مبتلا نباشد. از سوی دیگر، منفی کاذب زمانی اتفاق می افتد که آزمایش فرد منفی باشد و نشان دهد که او سالم است، در حالی که واقعاً به این بیماری مبتلا است.
این نوشته برگرفته از سایت ویکی پدیا می باشد، اگر نادرست یا توهین آمیز است، لطفا گزارش دهید: گزارش تخلفاین روش در فیزیک پزشکی برای مقایسه اختلاف روشهای تصویربرداری بکار می رود. در این روش هدف این است که توانایی آسیب شناسی یک سامانه دقیقاً ارزیابی شود لذا از معیارهایی که بر اساس قضاوت و تصمیم اشخاص است استفاده می شود. [ ۲] [ ۳]
منحنی ROC با رسم نرخ مثبت واقعی ( TPR ) در برابر نرخ مثبت کاذب ( FPR ) در تنظیمات آستانه های مختلف ایجاد می شود. نرخ مثبت واقعی به عنوان حساسیت، بازیابی یا احتمال تشخیص نیز شناخته می شود. [ ۴] نرخ مثبت کاذب نیز به عنوان احتمال هشدار کاذب[ ۴] شناخته می شود و می تواند به عنوان ( ویژگی - ۱ ) محاسبه شود. ROC همچنین می تواند به عنوان نموداری از توان آماری به عنوان تابعی از خطای نوع اول قاعده تصمیم در نظر گرفته شود ( زمانی که عملکرد فقط از نمونه ای از جامعه محاسبه می شود، می توان آن را به عنوان تخمینگر این کمیت ها در نظر گرفت ) . بنابراین منحنی ROC حساسیت یا بازیابی به عنوان تابعی از نرخ مثبت کاذب است. به طور کلی، اگر توزیع احتمال برای هر دو تشخیص و هشدار نادرست شناخته شده باشد، منحنی ROC را می توان با رسم تابع توزیع تجمعی ( ناحیه زیر توزیع احتمال از − ∞ تا آستانه تشخیص ) احتمال تشخیص در محور y در مقابل تابع توزیع تجمعی احتمال هشدار کاذب در محور x ایجاد کرد.
ROC همچنین به عنوان یک منحنی مشخصه عملکرد نسبی شناخته می شود، زیرا مقایسه دو ویژگی عملیاتی ( TPR و FPR ) به عنوان تغییر معیار است. [ ۵]
یک مدل طبقه بندی یک نگاشت از نمونه های بین کلاس ها/گروه های خاص است. از آنجایی که طبقه بندی کننده یا نتیجه تشخیص می تواند یک عدد حقیقی دلخواه باشد ( خروجی پیوسته ) ، مرز طبقه بندی کننده بین کلاس ها باید با یک مقدار آستانه تعیین شود ( به عنوان مثال، برای تعیین اینکه آیا یک فرد بر اساس اندازه گیری فشار خون مبتلا به فشار خون بالا است یا خیر ) . یا می تواند یک برچسب کلاس گسسته باشد که یکی از کلاس ها را نشان می دهد.
یک مشکل پیش بینی دو طبقه ای ( طبقه بندی دودویی ) را در نظر بگیرید که در آن نتایج به صورت مثبت ( p ) یا منفی ( n ) برچسب گذاری می شوند. چهار نتیجه ممکن از یک طبقه بندی کننده باینری وجود دارد. اگر نتیجه یک پیش بینی p باشد و مقدار واقعی نیز p باشد، آن را مثبت واقعی ( TP ) می گویند. با این حال اگر مقدار واقعی n باشد، گفته می شود که مثبت کاذب ( FP ) است. برعکس، منفی واقعی ( TN ) زمانی رخ می دهد که هم نتیجه پیش بینی و هم مقدار واقعی n باشد، و منفی کاذب ( FN ) زمانی رخ می دهد که نتیجه پیش بینی n باشد در حالی که مقدار واقعی p باشد. برای به دست آوردن مثال مناسب در یک مشکل دنیای واقعی، یک آزمایش تشخیصی را در نظر بگیرید که به دنبال تعیین اینکه آیا یک فرد به بیماری خاصی مبتلا است یا خیر. مثبت کاذب در این مورد زمانی اتفاق می افتد که آزمایش فرد مثبت باشد، اما در واقع به بیماری مبتلا نباشد. از سوی دیگر، منفی کاذب زمانی اتفاق می افتد که آزمایش فرد منفی باشد و نشان دهد که او سالم است، در حالی که واقعاً به این بیماری مبتلا است.
wiki: منحنی مشخصه عملکرد سیستم