जब आप किसी परिणाम पर कुछ माप की अनुमानित क्षमता निर्धारित करने के लिए कुछ अन्य परीक्षणों पर आरओसी घटता का उपयोग करना चाहेंगे?
असतत परिणामों (जीवित / मृत, वर्तमान / अनुपस्थित) के साथ काम करते समय, आरओसी घटता है जो ची-स्क्वायर जैसी चीज से कम या ज्यादा शक्तिशाली होता है?
जवाबों:
आरओसी फ़ंक्शन (यह जरूरी नहीं कि एक वक्र है) आपको एए विशिष्ट सांख्यिकीय मॉडल द्वारा प्रदान की गई भेदभाव की क्षमता का आकलन करने की अनुमति देता है (जिसमें एक भविष्यवक्ता चर या उनमें से एक सेट शामिल है)।
आरओसी का एक मुख्य विचार यह है कि मॉडल की भविष्यवाणियां केवल मॉडल की क्षमता से भेदभाव करने / भविष्यवाणी करने वाले चर द्वारा प्रदान किए गए साक्ष्यों के आधार पर भविष्यवाणियां करने की क्षमता से उपजी नहीं हैं। साथ ही ऑपरेटिंग एक प्रतिक्रिया मानदंड है जो यह परिभाषित करता है कि मॉडल को किसी प्रतिक्रिया की भविष्यवाणी करने के लिए कितने साक्ष्य आवश्यक हैं, और इन प्रतिक्रियाओं का परिणाम क्या है। प्रतिक्रिया मानदंड के लिए जो मान स्थापित किया गया है, वह मॉडल भविष्यवाणियों को बहुत प्रभावित करेगा, और अंततः गलतियों का प्रकार जो इसे बना देगा।
भविष्यवक्ता चर और प्रतिक्रिया मानदंड के साथ एक सामान्य मॉडल पर विचार करें। यह मॉडल हां या नहीं का जवाब देकर, X की उपस्थिति की भविष्यवाणी करने की कोशिश कर रहा है, इसलिए आपके पास निम्न भ्रम मैट्रिक्स है:
**X present X absent**
**Model Predicts X Present** Hit False Alarm
**Model Predicts X Absent** Miss Correct Rejection
इस मैट्रिक्स में, आपको केवल हिट्स और फाल्स अलार्म के अनुपात पर विचार करने की आवश्यकता है (क्योंकि अन्य को इन से लिया जा सकता है, यह देखते हुए कि उन्हें कुछ से 1 तक है)। प्रत्येक प्रतिक्रिया मानदंड के लिए, आप एवे को एक अलग भ्रम मैट्रिक्स से मिटा देंगे। त्रुटियां (मिसेज एंड फाल्स अलार्म) नकारात्मक रूप से संबंधित हैं, जिसका अर्थ है कि एक प्रतिक्रिया मानदंड जो झूठे अलार्म को कम करता है, मिसेज और इसके विपरीत को अधिकतम करता है। संदेश है: कोई मुफ्त भोजन नहीं है।
इसलिए, यह समझने के लिए कि मॉडल मामलों में कितनी अच्छी तरह भेदभाव करता है / भविष्यवाणियां करता है, स्वतंत्र रूप से स्थापित प्रतिक्रिया मानदंड से, आप संभावित प्रतिक्रिया मानदंड की सीमा में उत्पादित हिट्स और गलत दरों की साजिश करते हैं।
इस भूखंड से आपको जो मिलता है वह आरओसी फ़ंक्शन है। फ़ंक्शन के तहत क्षेत्र मॉडल की भेदभाव क्षमता का एक निष्पक्ष और गैर-पैरामीट्रिक माप प्रदान करता है। यह माप बहुत महत्वपूर्ण है क्योंकि यह उन किसी भी भ्रम से मुक्त है जो प्रतिक्रिया मानदंड द्वारा निर्मित किया जा सकता था।
एक दूसरा महत्वपूर्ण पहलू यह है कि फ़ंक्शन का विश्लेषण करके, कोई भी यह परिभाषित कर सकता है कि आपके उद्देश्यों के लिए क्या प्रतिक्रिया मानदंड बेहतर है। आप किस प्रकार की त्रुटियों से बचना चाहते हैं, और कौन सी त्रुटियां ठीक हैं। उदाहरण के लिए, एक एचआईवी परीक्षण पर विचार करें: यह एक ऐसा परीक्षण है जो किसी प्रकार के साक्ष्य (इस मामले में एंटीबॉडीज) को देखता है और प्रतिक्रिया मानदंड के साथ साक्ष्यों की तुलना के आधार पर भेदभाव / भविष्यवाणी करता है। यह प्रतिक्रिया मानदंड आमतौर पर बहुत कम सेट किया जाता है, ताकि आप मिसेज को कम से कम करें। निश्चित रूप से इसके परिणामस्वरूप अधिक गलत अलार्म होंगे, जिनकी लागत है, लेकिन एक लागत जो कि मिसेज की तुलना में नगण्य है।
आरओसी के साथ, आप कुछ मॉडल की भेदभाव क्षमता का आकलन कर सकते हैं, स्वतंत्र रूप से प्रतिक्रिया मानदंड, और जो भी आप माप रहे हैं उसकी आवश्यकताओं और बाधाओं को देखते हुए, इष्टतम प्रतिक्रिया मानदंड स्थापित करें। हाई-स्क्वायर जैसे टेस्ट इस सब में मदद नहीं कर सकते हैं क्योंकि भले ही आपका परीक्षण अगर भविष्यवाणियों के मौके के स्तर पर हो, तो कई अलग-अलग हिट-फाल्स अलार्म जोड़े मौका स्तर के अनुरूप होते हैं।
सिग्नल की खोज सिद्धांत जैसे कुछ चौखटे एक प्राथमिकता मानते हैं कि भेदभाव के लिए उपलब्ध सबूतों में विशिष्ट डिस्ट्रीब्यूटोन (जैसे, सामान्य वितरण, या गामा वितरण) होते हैं। जब ये धारणाएं पकड़ती हैं (या बहुत करीब हैं), कुछ बहुत अच्छे उपाय उपलब्ध हैं जो आपके जीवन को आसान बनाते हैं।
आशा है कि यह आपको आरओसी के फायदों के बारे में बताने में मदद करेगा
एक आरओसी वक्र का उपयोग किया जाता है जब भविष्यवक्ता निरंतर होता है और परिणाम असतत होता है, इसलिए ची-स्क्वायर परीक्षण लागू नहीं होगा। वास्तव में, आरओसी विश्लेषण कुछ अर्थों में मान-व्हिटनी परीक्षण के बराबर है: वक्र के नीचे का क्षेत्र P (X> Y) है जो MW परीक्षण द्वारा परीक्षण की जा रही मात्रा है। हालांकि मान-व्हिटनी विश्लेषण कटऑफ का चयन करने पर जोर नहीं देता है, जबकि यह आरओसी विश्लेषण का मुख्य बिंदु है। इसके अतिरिक्त, आरओसी घटता अक्सर एक कोवरिएट की भविष्य कहनेवाला क्षमता के एक दृश्य प्रदर्शन के रूप में उपयोग किया जाता है।
सबसे कम उत्तर यह है कि सिग्नल डिटेक्शन के पारंपरिक परीक्षण आपको केवल आरओसी (रिसीवर ऑपरेटिंग विशेषता) पर एक बिंदु देते हैं जबकि वक्र आपको कई मानों के माध्यम से प्रतिक्रियाएं देखने की अनुमति देता है। यह संभव है कि मापदंड और d 'पूरे वक्र में एक बदलाव के रूप में शिफ्ट हों। यह प्रत्येक भविष्यवक्ता चर के पैरामीट्रिक जोड़तोड़ को देखते हुए उत्पन्न होने वाले दो वर्गों के पूर्वानुमानकर्ता और दो प्रतिगमन लाइनों के चयन से उत्पन्न टी-टेस्ट के बीच अंतर की तरह है।
यदि आप आगे के संदर्भों में रुचि रखते हैं, तो कागजों की एक विस्तृत सूची केएच ज़ो की वेबसाइट, रिसीवर ऑपरेटिंग कैरेक्टरिस्टिक (आरओसी) साहित्य अनुसंधान पर उपलब्ध है ।
आरओसी घटता का उपयोग तब भी किया जाता है, जब कोई व्यक्ति जैव-चिकित्सा अनुसंधान और जैव सूचना विज्ञान में व्यापक अनुप्रयोगों के साथ, अलग-अलग क्लासिफायर प्रदर्शन की तुलना करने में रुचि रखता है।
कई मायनों में आरओसी मॉडल के लिए प्राथमिक अनुमान और अनुमान उपकरणों से दूर एक मोड़ है। मैं वहाँ बहुत मूल्य नहीं देख सकता।