【ROC曲線とAUC】機械学習の評価指標についての基礎講座 - これで無理なら諦めて！世界一やさしいデータ分析教室
機械学習ではモデルを作って終わり、ということは無く、モデル作成後にテストデータを使って「本当に良いモデルなのか？」という評価を必ず行う必要があります。 では具体的にどのように評価をすれば良いのか？という話になりますが、今回は代表的な評価指標である ROC AUC ついて説明していきます。 この辺りについては、以下書籍でよくまとまっているので、よろしければ是非！ Pythonと実データで遊んで学ぶ データ分析講座 作者: 梅津雄一,中野貴広出版社/メーカー: シーアンドアール研究所発売日: 2019/08/10メディア: 単行本（ソフトカバー）この商品を含むブログを見る ※追記※ スマホだと数式がうまく表示されない可能性がありますので、こちらのリンク、もしくはPCから購読頂けますと幸いです。 正解率の問題点と、偽陽性率と真陽性率ROC・AUCに入る前に、それらを計算するための性能評価値につい
File 2. ROC曲線は、こんなふうに描かれます
医学論文や学会のポスター発表で、ROC曲線とカットオフ値を記載しているものをよく見かけるかと思います。 実際ROC曲線は、診断法がどれぐらい有用なのかを知るときに使われ、曲線下の面積（AUC）によって定量化されます。 さらに、この値以上は”陽性”だと診断する閾値をどのように設定するかによって感度と特異度は変化していくので、陽性と陰性を分ける最適なカットオフ値を見つけることが重要になってきます。 そこで今回は、JMPでそもそもROC曲線はどのような方法で描かれているか、カットオフ値はどのように求めているのかについて解説します。 JMPでは、ロジスティック回帰、パーティション、判別分析などのプラットフォームでROC曲線を描くことができますが、以下は、［二変量の関係］でロジスティック回帰を行ったときに、オプションとして追加できるROC曲線についての説明です。 図1のデータテーブルは、糖尿病陽性の
リリース、障害情報などのサービスのお知らせ
最新の人気エントリーの配信
処理を実行中です
j次のブックマーク
k前のブックマーク
lあとで読む
eコメント一覧を開く
oページを開く
http://kamiyacho.org/ebm/ce205.html
