Questo tipo di curva mostra la sensibilit\u00e0<\/strong> e la specificit\u00e0<\/strong> di un modello di classificazione:<\/span><\/p>\n L’ asse x<\/strong> di una curva ROC rappresenta (1-Specificit\u00e0)<\/strong> e l’ asse y<\/strong> rappresenta la Sensibilit\u00e0<\/strong> :<\/span><\/span> <\/p>\n Quanto pi\u00f9 la curva ROC si avvicina all’angolo superiore sinistro del grafico, tanto meglio il modello \u00e8 in grado di classificare i dati in categorie.<\/span><\/p>\n Per quantificarlo, possiamo calcolare l’ AUC<\/strong> (area sotto la curva) che ci dice quanta parte del grafico si trova sotto la curva.<\/span> <\/p>\n Pi\u00f9 l\u2019AUC \u00e8 vicino a 1, migliore \u00e8 il modello.<\/span><\/p>\n Quando si confrontano due curve ROC per determinare quale modello di classificazione \u00e8 migliore, spesso osserviamo quale curva ROC “abbraccia” pi\u00f9 da vicino l’angolo superiore sinistro del grafico e quindi ha un valore AUC pi\u00f9 elevato.<\/span><\/p>\n Supponiamo di adattare un modello di regressione logistica e un modello con gradiente migliorato a un set di dati per prevedere il risultato di una variabile di risposta.<\/span><\/p>\n Supponiamo quindi di creare curve ROC per visualizzare le prestazioni di ciascun modello:<\/span> <\/p>\n La linea blu mostra la curva ROC per il modello di regressione logistica e la linea arancione mostra la curva ROC per il modello con gradiente potenziato.<\/span><\/p>\n Dal nostro grafico, possiamo vedere i seguenti valori AUC per ciascun modello:<\/span><\/p>\n Poich\u00e9 il modello con gradiente migliorato ha un valore AUC pi\u00f9 elevato, diremmo che prevede meglio il risultato della variabile di risposta.<\/span><\/p>\n Nota<\/strong> : in questo esempio abbiamo confrontato solo due curve ROC, ma \u00e8 possibile adattare diversi modelli di classificazione a un set di dati e confrontare ancora pi\u00f9 curve ROC per determinare il modello migliore da utilizzare.<\/span><\/p>\n Le seguenti esercitazioni forniscono informazioni aggiuntive sui modelli di classificazione e sulle curve ROC:<\/span><\/p>\n Introduzione alla regressione logistica<\/a> Un modo per visualizzare le prestazioni deimodelli di classificazione nell’apprendimento automatico \u00e8 creare una curva ROC , che sta per curva “caratteristica operativa del ricevitore”. Questo tipo di curva mostra la sensibilit\u00e0 e la specificit\u00e0 di un modello di classificazione: Sensibilit\u00e0: probabilit\u00e0 che il modello preveda un risultato positivo per un’osservazione quando il risultato \u00e8 […]<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[11],"tags":[],"yoast_head":"\n\n
![\"\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/read_roc1.png\")
<\/p>\n![\"\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/read_roc2.png\")
<\/p>\n Esempio: come confrontare due curve ROC<\/strong><\/span><\/h2>\n
![\"confrontare](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/multipleroc1.jpg\")
<\/p>\n\n
Risorse addizionali<\/strong><\/span><\/h2>\n
Come interpretare una curva ROC<\/a>
Cosa \u00e8 considerato un buon punteggio AUC?<\/a><\/span><\/p>\n","protected":false},"excerpt":{"rendered":"