ROC Curve & AUC Classifier Discrimination kalkylator

Hur du använder denna kalkylator

Ange ditt False Positive Rates (FPR = 1 - Specificity, comma separated 0 till 1), True Positive Rates (TPR = Sensitivity, comma separated 0 to 1), Mål Operating Point FPR (Optional Anpassad Cutoff), Mål Operating Point TPR (Optional Anpassad Cutoff). Resultaten uppdateras omedelbart när du ändrar ett värde.

Formeln

Receiver Operating Characteristic (ROC) & AUC Integration equations: False Positive Räntesats (FPR): FPR = 1 - Specificity = (FP)/(FP + TN)

True Positive Räntesats (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)

Räkneexempel

Praktiskt räkneexempel för ROC Curve & AUC Classifier Discrimination kalkylator: Anta att en användare vill göra en noggrann uppskattning inom Statistik & Dataanalys. Användaren fyller i False Positive Rates med värdet 0.0, 0.05, 0.12, 0.25, 0.40, 0.65, 1.0och anger True Positive Rates till 0.0, 0.45, 0.72, 0.88, 0.94, 0.98, 1.0 . Efter att ha klickat på Beräkna bearbetar ROC Curve & AUC Classifier Discrimination kalkylator informationen på en bråkdel av en sekund. Verktyget presenterar en fullständig specifikation med exakta delsummor och visuella diagram. Detta gör att användaren omedelbart ser konsekvenserna av sina val utan att behöva genomföra komplicerade manuella uträkningar eller bygga egna kalkylblad. Resultatet kan därefter sparas som PDF, exporteras till CSV eller delas direkt med kollegor och familj för vidare diskussion och planering.

Förstå dina resultat

Använd resultatet som startpunkt och validera det i din specifika kontext. Testa två eller tre varianter för att förstå känsligheten. För viktiga beslut jämför med en sekundär källa eller expert.