ROC Curve & AUC (Area Under Curve

Der ROC Curve & AUC (Area Under Curve) Classifier Discrimination Rechner

Verwendung des Rechners

Geben Sie Ihre False Positive Sätze (FPR = 1 - Specificity, comma separated 0 in 1), True Positive Sätze (TPR = Sensitivity, comma separated 0 in 1), Ziel- Operating Point FPR (Optional Benutzerdefiniert Cutoff), Ziel- Operating Point TPR (Optional Benutzerdefiniert Cutoff). Die Ergebnisse werden sofort aktualisiert, wenn Sie einen Wert ändern.

Die Formel

Formel & Rechenweg: Receiver Operating Characteristic (ROC) & AUC Integration equations: False Positive Satz (FPR): FPR = 1 - Specificity = (FP)/(FP + TN) True Positive Satz (TPR): TPR = Sensitivity = (TP)/(TP + FN) Trapezoidal AUC: AUC = Σ_i=1^k-1 (FPR_i+1 - FPR_i) · (TPR_i+1 + TPR_i)2 Gini Coefficient / Somers' D: Gini = 2 × AUC - 1 Youden's J-Statistic: J = Sensitivity + Specificity - 1 = TPR - FPR Probabilistic Interpretation: AUC = P(S_positive > S_negative)

Rechenbeispiel

Praxisbeispiel für ROC Curve & AUC (Area Under Curve) Classifier Discrimination Rechner: Ein Anwender gibt als False Positive Sätze 0 und als True Positive Sätze 0 in die Eingabemaske ein. Das System berechnet sekundenschnell ROC AUC Score, Gini Coefficient & Quality Übersicht und schlüsselt die zugrundeliegenden Rechenschritte transparent auf. Das Ergebnis ermöglicht eine sofortige Verifikation und fundierte Weiterverarbeitung der Daten.

Ergebnisse verstehen

Nutzen Sie Ihr Ergebnis als Ausgangspunkt und validieren Sie es im Kontext Ihres spezifischen Anwendungsfalls. Testen Sie zwei oder drei Varianten der Eingangsdaten, um die Sensitivität des Ergebnisses zu verstehen. Für weitreichende Entscheidungen vergleichen Sie mit einer zweiten Quelle oder einem Fachexperten.