Receiver operating characteristic: differenze tra le versioni

Versione delle 18:47, 21 ago 2023

Versione attuale delle 12:05, 13 mar 2025

(2 versioni intermedie di 2 utenti non mostrate)

Riga 4:

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|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|accesso=2019-11-06|dataarchivio=6 novembre 2019|urlarchivio=https://web.archive.org/web/20191106103308/https://www.questia.com/read/91082370/signal-detection-theory-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 60:

{{Controllo di autorità}}

{{Portale|neuroscienze}}

[[Categoria:Ricerca operativa]]