Roc 곡선을 해석하는 방법(예제 포함)
로지스틱 회귀는 응답 변수가 이진일 때 회귀 모델을 맞추는 데 사용하는 통계 방법입니다. 로지스틱 회귀 모델이 데이터 세트에 얼마나 잘 맞는지 평가하기 위해 다음 두 가지 측정항목을 살펴볼 수 있습니다.
- 민감도: 결과가 실제로 긍정적일 때 모델이 관찰에 대한 긍정적인 결과를 예측할 확률입니다.
- 특이성: 결과가 실제로 부정적일 때 모델이 관찰에 대해 부정적인 결과를 예측할 확률입니다.
이 두 측정항목을 시각화하는 간단한 방법은 로지스틱 회귀 모델의 민감도와 특이성을 표시하는 그래프인 ROC 곡선을 만드는 것입니다.
이 튜토리얼에서는 ROC 곡선을 생성하고 해석하는 방법을 설명합니다.
ROC 곡선을 만드는 방법
로지스틱 회귀 모델을 적용한 후에는 모델을 사용하여 관측치를 두 범주 중 하나로 분류할 수 있습니다.
예를 들어, 관찰 내용을 “긍정적” 또는 “부정적”으로 분류할 수 있습니다.
참양성률은 실제로는 양성이어야 하는 관측치의 비율을 나타냅니다.
반대로 거짓양성률은 양성이어야 하지만 실제로는 음성인 관측치의 비율을 나타냅니다.
ROC 곡선을 만들 때 로지스틱 회귀 모델의 가능한 각 결정 임계값에 대해 참양성률과 거짓양성률의 쌍을 표시합니다.
ROC 곡선을 해석하는 방법
ROC 곡선이 플롯의 왼쪽 상단 모서리에 가까울수록 모델이 데이터를 범주로 더 잘 분류할 수 있습니다.
이를 정량화하기 위해 곡선 아래에 있는 플롯의 양을 알려주는 AUC (곡선 아래 영역)를 계산할 수 있습니다.
AUC가 1에 가까울수록 모델이 더 좋습니다.
AUC가 0.5인 모델은 완벽한 대각선이 되며 무작위 분류를 수행하는 모델보다 나을 것이 없는 모델을 나타냅니다.
다중 로지스틱 회귀 모델에 대한 AUC를 계산하는 것은 어떤 모델이 예측에 가장 적합한지 확인할 수 있기 때문에 특히 유용합니다.
예를 들어 세 가지 다른 로지스틱 회귀 모델을 적합하고 각 모델에 대해 다음 ROC 곡선을 그린다고 가정합니다.
각 모델의 AUC를 다음과 같이 계산한다고 가정합니다.
- 모델 A: AUC = 0.923
- 모델 B: AUC = 0.794
- 모델 C: AUC = 0.588
모델 A는 AUC가 가장 높으며, 이는 곡선 아래 면적이 가장 높고 관측치를 범주로 올바르게 분류하는 데 가장 적합한 모델임을 나타냅니다.
추가 리소스
다음 튜토리얼에서는 다양한 통계 소프트웨어를 사용하여 ROC 곡선을 만드는 방법을 설명합니다.
저자 소개
벤자민 앤더슨
안녕하세요. 저는 통계학 교수를 퇴직하고 전임 통계 교사로 변신한 벤자민입니다. 통계 분야의 광범위한 경험과 전문 지식을 바탕으로 Statorials를 통해 학생들에게 힘을 실어주기 위해 지식을 공유하고 싶습니다. 더 알아보기