Roc curves နှစ်ခုကို နှိုင်းယှဉ်နည်း (ဥပမာဖြင့်)

စက်သင်ယူမှုတွင် အမျိုးအစားခွဲခြင်းဆိုင်ရာ မော်ဒယ် များ၏ စွမ်းဆောင်ရည်ကို မြင်သာစေရန် နည်းလမ်းတစ်ခုမှာ “ လက်ခံသူ၏ လည်ပတ်မှုလက္ခဏာ” မျဉ်းကွေးကို ကိုယ်စားပြုသည့် ROC မျဉ်းကွေးကို ဖန်တီးရန်ဖြစ်သည်။

ဤမျဉ်းကွေးအမျိုးအစားသည် အမျိုးအစားခွဲခြားမှုပုံစံတစ်ခု၏ အာရုံခံနိုင်စွမ်း နှင့် တိကျမှုကို ပြသသည်-

• အာရုံခံစားနိုင်မှု- ရလဒ်အမှန်တကယ်အပြုသဘောဆောင်သောအခါတွင် လေ့လာမှုတစ်ခုအတွက် အပြုသဘောဆောင်သောရလဒ်ကို မော်ဒယ်က ခန့်မှန်းပေးသည့်ဖြစ်နိုင်ခြေ။
• တိကျမှု- ရလဒ်အမှန်တကယ် အနုတ်လက္ခဏာဖြစ်သောအခါ လေ့လာမှုတစ်ခုအတွက် အနုတ်ရလဒ်ကို မော်ဒယ်က ခန့်မှန်းပေးသည့် ဖြစ်နိုင်ခြေ။

ROC မျဉ်းကွေး၏ x-axis သည် (1- Specificity) ကို ကိုယ်စားပြုပြီး y-axis သည် အာရုံခံနိုင်စွမ်းကို ကိုယ်စားပြုသည်-

ROC မျဉ်းကွေးသည် ကွက်ကွက်၏ ဘယ်ဘက်အပေါ်ထောင့်နှင့် ပိုမိုနီးကပ်လေလေ၊ မော်ဒယ်သည် အချက်အလက်များကို အမျိုးအစားများခွဲခြားနိုင်လေလေဖြစ်သည်။

၎င်းကို တွက်ချက်ရန်အတွက် AUC (မျဉ်းကွေးအောက်တွင် ဧရိယာ) ကို တွက်ချက်နိုင်ပြီး ကွက်ကွက်၏ မျဉ်းကွေးအောက်တွင် မည်မျှရှိသည်ကို ပြောပြသည်။

AUC က 1 နဲ့ ပိုနီးစပ်လေ၊ model က ပိုကောင်းပါတယ်။

ROC မျဉ်းကြောင်းနှစ်ခုကို နှိုင်းယှဉ်ကြည့်သောအခါ မည်သည့်အမျိုးအစားအမျိုးအစားက ပိုကောင်းသည်ကို ဆုံးဖြတ်ရန်၊ မည်သည့် ROC မျဉ်းကွေး “ ပွေ့ဖက်ခြင်း” ကို ကွက်ကွက်၏ ဘယ်ဘက်အပေါ်ထောင့်နှင့် ပိုမိုနီးကပ်စွာ ကြည့်ရှုလေ့ရှိပြီး ထို့ကြောင့် AUC တန်ဖိုး ပိုမြင့်ပါသည်။

ဥပမာ- ROC မျဉ်းကြောင်းနှစ်ခုကို နှိုင်းယှဉ်နည်း

ကျွန်ုပ်တို့သည် တုံ့ပြန်မှုကိန်းရှင်၏ ရလဒ်ကို ခန့်မှန်းရန် ဒေတာအတွဲတစ်ခုတွင် ထောက်ပံ့ပို့ဆောင်ရေးဆိုင်ရာ ဆုတ်ယုတ်မှုပုံစံနှင့် gradient-မြှင့်တင်ထားသော မော်ဒယ်ကို တပ်ဆင်ထားသည်ဆိုပါစို့။

ထို့နောက် မော်ဒယ်တစ်ခုစီ၏ စွမ်းဆောင်ရည်ကို မြင်သာစေရန် ROC မျဉ်းကွေးများကို ဖန်တီးမည်ဆိုပါစို့။

အပြာလိုင်းသည် ထောက်ပံ့ပို့ဆောင်မှု ဆုတ်ယုတ်မှုပုံစံအတွက် ROC မျဉ်းကွေးကို ပြသပြီး လိမ္မော်ရောင်မျဉ်းသည် gradient မြှင့်တင်ထားသော မော်ဒယ်အတွက် ROC မျဉ်းကွေးကို ပြသသည်။

ကျွန်ုပ်တို့၏ဇယားမှ၊ မော်ဒယ်တစ်ခုစီအတွက် အောက်ပါ AUC တန်ဖိုးများကို ကျွန်ုပ်တို့ မြင်တွေ့နိုင်သည်-

• ထောက်ပံ့ပို့ဆောင်ရေးဆုတ်ယုတ်မှုပုံစံ၏ AUC- 0.7902
• gradient မြှင့်တင်ထားသောမော်ဒယ်၏ AUC- 0.9712

အဆင့်မြှင့်တင်ထားသော မော်ဒယ်တွင် AUC တန်ဖိုး ပိုမြင့်သောကြောင့်၊ ၎င်းသည် တုံ့ပြန်မှုကိန်းရှင်၏ ရလဒ်ကို ပိုမိုကောင်းမွန်စွာ ခန့်မှန်းနိုင်သည်ဟု ကျွန်ုပ်တို့ပြောနိုင်သည်။

မှတ်ချက် – ဤဥပမာတွင်၊ ကျွန်ုပ်တို့သည် ROC မျဉ်းကွေးနှစ်ခုကိုသာ နှိုင်းယှဉ်ကြည့်သော်လည်း၊ များစွာသော မတူညီသော အမျိုးအစားခွဲခြားမှုမော်ဒယ်များကို ဒေတာအတွဲတစ်ခုနှင့် အံဝင်ခွင်ကျဖြစ်အောင် ပြုလုပ်နိုင်ပြီး အသုံးပြုရန်အကောင်းဆုံးမော်ဒယ်ကို ဆုံးဖြတ်ရန် နောက်ထပ် ROC မျဉ်းကွေးများကို နှိုင်းယှဉ်နိုင်သည်။

ထပ်လောင်းအရင်းအမြစ်များ

အောက်ဖော်ပြပါ သင်ခန်းစာများသည် အမျိုးအစားခွဲခြင်းပုံစံများနှင့် ROC မျဉ်းကွေးများအကြောင်း နောက်ထပ်အချက်အလက်များကို ပေးဆောင်သည်-

Logistic Regression နိဒါန်း
ROC မျဉ်းကွေးကို ဘယ်လိုအဓိပ္ပာယ်ဖွင့်မလဲ။
AUC ရမှတ်ကောင်းတစ်ခုဟု အဘယ်အရာက သတ်မှတ်သနည်း။