Receiver operating characteristic: differenze tra le versioni

Versione delle 13:04, 6 nov 2019

Versione attuale delle 12:05, 13 mar 2025

(8 versioni intermedie di 6 utenti non mostrate)

Riga 2:

Nella [[Ricerca operativa|teoria delle decisioni]], le '''curve ROC''' ('''Receiver Operating Characteristic''', anche note come '''Relative Operating Characteristic'''<ref>{{Cita web|url=http://www.dipveterinaria.unipr.it/sites/st18/files/allegatiparagrafo/16-09-2013/annali2003.pdf|titolo=Un approccio per la valutazione della validità dei test diagnostici: le curve R.O.C. (Receiver Operating Characteristic)|autore=Ezio Bottarelli, Stefano Parodi|editore=|data=|accesso=12 luglio 2016|urlmorto=sì|urlarchivio=https://web.archive.org/web/20160821190914/http://www.dipveterinaria.unipr.it/sites/st18/files/allegatiparagrafo/16-09-2013/annali2003.pdf|dataarchivio=21 agosto 2016}}</ref>) 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 <ref name=":0">{{Cita web|url=https://www.mathworks.com/help/phased/examples/detector-performance-analysis-using-roc-curves.html|titolo=Detector Performance Analysis Using ROC Curves - MATLAB & Simulink|sito=www.mathworks.com|accesso=2019-11-06}}</ref>. Il tasso di falsi positivi è anche noto come fall-out o probabilità di falsi allarmi <ref name=":0" /> 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 <math>-\infty</math> 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.<ref>{{Cita web|url=https://www.questia.com/read/91082370/signal-detection-theory-and-roc-analysis-in-psychology|titolo=Signal Detection Theory and ROC Analysis in Psychology and Diagnostics: Collected Papers - 1996, Page iii by John A. Swets. {{!}} Online Research Library: Questia|sitoaccesso=2019-11-06|dataarchivio=6 novembre 2019|urlarchivio=https://web.archive.org/web/20191106103308/https://www.questia.com|accesso=2019/read/91082370/signal-11detection-06theory-and-roc-analysis-in-psychology|urlmorto=sì}}</ref>

== Applicazioni ==

Le curve ROC furono utilizzate per la prima volta durante la [[seconda guerra mondiale]], da alcuni ingegneri elettrotecnici che volevano individuare i nemici utilizzando il [[radar]] durante le battaglie aeree. Recentemente le curve ROC sono utilizzate in [[medicina]],<ref>Lusted, 1971</ref><ref>Erdrich 1981, Henderson, 1993</ref> [[radiologia]],<ref>Goodenough e coll., 1974; Hanley e McNeil, 1982</ref> [[psicologia]], [[meteorologia]] <ref>{{Cita pubblicazione|nome=Allan H.|cognome=Murphy|data=1996-03-01|titolo=The Finley Affair: A Signal Event in the History of Forecast Verification|rivista=Weather and Forecasting|volume=11|numero=1|pp=3–203-20|accesso=2019-11-06|doi=10.1175/1520-0434(1996)0112.0.CO;2|url=https://journals.ametsoc.org/doi/abs/10.1175/1520-0434(1996)011%3C0003:TFAASE%3E2.0.CO;2}}</ref>, [[veterinaria]]<ref>Greiner, Pfeiffer e Smith, 2000</ref>, [[fisica]] e altri ambiti, come il [[machine learning]] ed il [[data mining]].

==Concetto basilare==

Riga 45:

*la seconda curva è rappresentata dal segmento che dall'origine sale al punto (0,1) e da quello che congiunge il punto (0,1) a (1,1), avendo un'area sottesa di valore pari a 1, ovvero rappresenta il classificatore perfetto.

Definiamo un esperimento di casi P positivi e N casi negativi per data condizione. I quattro risultati possono essere formulati in una tabella di contingenza 2 × 2 come segue:

==Alcuni concetti==

*<math>TPR = TP / P = TP / (TP+FN) </math>

*<math>FPR = FP / N = FP / (FP + TN)</math>

*[[accuratezza]] <math>ACC = (TP + TN) / (P + N)</math>

Line 59 ⟶ 58:

== Collegamenti esterni ==

* {{Collegamenti esterni}}

{{Controllo di autorità}}

{{Portale|neuroscienze}}

[[Categoria:Ricerca operativa]]