Receiver operating characteristic: differenze tra le versioni
Contenuto cancellato Contenuto aggiunto
m nessuna indicazione della categoria/galleria Commons quando è presente la proprietà P373 |
Nessun oggetto della modifica |
||
Riga 1:
[[File:ROCfig.PNG|thumb|Un esempio di curva ROC.]]
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), come ''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 tasso positivo reale (TPR) rispetto al tasso falso positivo (FPR) a varie impostazioni di soglia. Il tasso vero positivo è anche noto come sensibilità, richiamo o probabilità di rilevazione [5] nell'apprendimento automatico. Il tasso di falsi positivi è anche noto come fall-out o probabilità di falsi allarmi [5] e può essere calcolato come (1 - specificità). Può anche essere pensato come un diagramma della potenza in funzione dell'errore di tipo I della regola decisionale (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 la sensibilità in funzione della caduta. In generale, se sono note le distribuzioni di probabilità sia per il rilevamento che per il falso allarme, la curva ROC può essere generata tracciando la funzione di distribuzione cumulativa (area sotto la distribuzione di probabilità da {\ displaystyle - \ infty} - \ infty 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.
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]], [[veterinaria]]<ref>Greiner, Pfeiffer e Smith, 2000</ref>, [[fisica]] e altri ambiti, come il [[machine learning]] ed il [[data mining]].
| |||