आरओसी वक्र और एयूसी
एक आरओसी वक्र प्लॉट करता है कि एक क्लासिफायर प्रत्येक संभावित निर्णय सीमा में दो वर्गों को कितनी अच्छी तरह अलग करता है, और एयूसी उस पूरे वक्र को एक संख्या में संपीड़ित करता है।
सिंहावलोकन
Together they tell you ranking quality independent of where you draw the cutoff.
गहरा गोता
जैसे ही आप वर्गीकरण सीमा को 1 से नीचे 0 तक स्लाइड करते हैं, एक रिसीवर ऑपरेटिंग कैरेक्टरिस्टिक (आरओसी) वक्र झूठी सकारात्मक दर (एक्स-अक्ष पर 1 शून्य विशिष्टता) के विरुद्ध वास्तविक सकारात्मक दर (वाई-अक्ष पर संवेदनशीलता) को प्लॉट करता है। प्रत्येक सीमा एक बिंदु देती है; उन्हें जोड़ने से वक्र का पता चलता है। एक मॉडल जो हर सकारात्मक को हर नकारात्मक से ऊपर रखता है, ऊपरी-बाएँ कोने को गले लगाता है। वक्र के नीचे का क्षेत्र (एयूसी) इस रेखा के नीचे के कुल क्षेत्रफल को 0.5 (यादृच्छिक अनुमान, विकर्ण) से लेकर 1.0 (पूर्ण) तक मापता है। एक आसान व्याख्या: एयूसी इस संभावना के बराबर है कि मॉडल यादृच्छिक रूप से चुने गए सकारात्मक को यादृच्छिक रूप से चुने गए नकारात्मक से अधिक स्कोर करता है। यह शब्द द्वितीय विश्व युद्ध के रडार ऑपरेटरों से सिग्नल को शोर से अलग करने के लिए लिया गया है।
तकनीकी अंतर्दृष्टि
एयूसी सीमा-स्वतंत्र है क्योंकि यह सभी कटऑफ पर प्रदर्शन को एकीकृत करता है, इसलिए यह इस बात से अप्रभावित रहता है कि आप निर्णय सीमा कहां निर्धारित करते हैं। यह गणितीय रूप से मैन-व्हिटनी यू सांख्यिकी और विलकॉक्सन रैंक-सम परीक्षण के बराबर है, जिसका अर्थ है कि यह केवल अनुमानित अंकों के रैंक क्रम पर निर्भर करता है, न कि उनके पूर्ण मूल्यों पर। यह इसे मोनोटोनिक स्कोर परिवर्तनों के तहत स्थिर बनाता है लेकिन अंशांकन के प्रति असंवेदनशील भी बनाता है: एक अच्छी रैंक वाला लेकिन खराब कैलिब्रेटेड मॉडल अभी भी उच्च एयूसी स्कोर कर सकता है।
सामरिक प्रभाव
स्पष्ट निर्णय
यह आपको स्पष्ट तकनीकी दावों को मार्केटिंग भाषा से अलग करने में मदद करता है।
लागत और बजट
आप पैसा या समय खर्च करने से पहले बेहतर कार्यान्वयन संबंधी प्रश्न पूछ सकते हैं।
टीम और वर्कफ़्लो
साझा समझ वाली टीमें बेहतर उत्पाद, नीति और सीखने के निर्णय लेती हैं।
आरओसी कर्व्स और एयूसी का भविष्य
आरओसी-एयूसी एक डिफ़ॉल्ट रिपोर्टिंग मीट्रिक बनी हुई है, लेकिन अभ्यासकर्ता इसे अत्यधिक असंतुलित डेटा के लिए प्रिसिजन-रिकॉल कर्व्स के साथ जोड़ रहे हैं, जहां आरओसी भ्रामक रूप से आशावादी दिख सकता है। आंशिक एयूसी (परिचालन के लिए मायने रखने वाले कम-झूठे-सकारात्मक क्षेत्र पर ध्यान केंद्रित करना), लागत-संवेदनशील और निर्णय-वक्र विश्लेषण, और सतही निष्पक्षता अंतराल पर प्रति-उपसमूह एयूसी रिपोर्टिंग को व्यापक रूप से अपनाने की अपेक्षा करें। जैसे-जैसे मॉडल वास्तविक निर्णयों को फीड करते हैं, अंशांकन मेट्रिक्स और एयूसी अकेले एयूसी के बजाय तेजी से साथ-साथ रिपोर्ट किए जाएंगे।
वास्तविक विश्व कार्यान्वयन
एक बैंक के लिए उनके एयूसी द्वारा दो धोखाधड़ी-पहचान मॉडल की तुलना करना ताकि वह मॉडल चुना जा सके जो वैध लेनदेन से ऊपर धोखाधड़ी वाले लेनदेन को सबसे अच्छी रैंक देता है।
किसी बीमारी के लिए एक नैदानिक परीक्षण का मूल्यांकन करना (उदाहरण के लिए, एक कैंसर स्क्रीनिंग क्लासिफायरियर) जहां रेडियोलॉजिस्ट को झूठे अलार्म के खिलाफ अधिक मामलों को पकड़ने की आवश्यकता होती है
झूठी सकारात्मकता (स्पैम के रूप में चिह्नित वैध मेल) को बहुत कम रखने के लिए आरओसी वक्र का उपयोग करके स्पैम फ़िल्टर की सीमा को ट्यून करना
क्रेडिट-डिफॉल्ट स्कोरिंग मॉडल को बेंचमार्क करना जहां एयूसी सारांशित करता है कि यह भुगतान करने वाले उधारकर्ताओं को डिफ़ॉल्ट करने वालों से कितनी अच्छी तरह अलग करता है
जोखिम और रेलिंग
अलग-अलग टीमें एक ही शब्द का अलग-अलग इस्तेमाल कर सकती हैं, इसलिए दायरे को पहले ही परिभाषित कर लें।
बेंचमार्क मजबूत दिख सकते हैं जबकि वास्तविक दुनिया का प्रदर्शन असमान है।
डेटा गुणवत्ता और मूल्यांकन योजनाओं की अनदेखी अक्सर नाजुक परिणाम पैदा करती है।
कार्यान्वयन रोडमैप
आपको जिस परिणाम की आवश्यकता है उसकी सरल भाषा में परिभाषा से शुरुआत करें।
परीक्षण से पहले एक सफलता मीट्रिक और एक विफलता स्थिति चुनें।
प्रतिनिधि डेटा के साथ एक छोटा पायलट चलाएँ, न कि एक परिष्कृत डेमो सेट।
दस्तावेज़ जहां आरओसी कर्व्स और एयूसी मदद करते हैं और जहां सरल तरीके बेहतर हैं।
अन्वेषण करते रहें
Free newsletter
Get the daily AI briefing
Three verified AI stories every weekday morning, written in plain English. Free forever, no ads.
One email each weekday. Unsubscribe in one click. We never sell or share your address.
Test yourself
Take the ROC Curves and AUC quiz
Instant feedback on every answer, and a shareable certificate with a verifiable ID once you pass a course.
Support free AI education. AI Understanding is a 501(c)(3) nonprofit — no ads, no paywall, ever. Make a donation
अगली गाइड
बायस-वेरिएंस ट्रेडऑफ़
अक्सर पूछे जाने वाले प्रश्नों
What is ROC Curves and AUC?
एक आरओसी वक्र प्लॉट करता है कि एक क्लासिफायर प्रत्येक संभावित निर्णय सीमा में दो वर्गों को कितनी अच्छी तरह अलग करता है, और एयूसी उस पूरे वक्र को एक संख्या में संपीड़ित करता है। साथ में वे आपको रैंकिंग गुणवत्ता बताते हैं, चाहे आप कटऑफ कहां से निकालते हों।
ROC वक्र किन दो राशियों को एक दूसरे के विरुद्ध आलेखित करता है?
एक आरओसी वक्र थ्रेसहोल्ड के पार एक्स-अक्ष पर झूठी सकारात्मक दर (1 - विशिष्टता) के मुकाबले वाई-अक्ष पर वास्तविक सकारात्मक दर (संवेदनशीलता) को प्लॉट करता है।
कौन सा AUC मान उस क्लासिफायरियर से मेल खाता है जो यादृच्छिक अनुमान लगाने से बेहतर प्रदर्शन नहीं करता है?
एक यादृच्छिक क्लासिफायरियर विकर्ण रेखा का पता लगाता है, जो 0.5 का AUC देता है। 1.0 का एयूसी एकदम सही है, और 0.0 का मतलब है कि यह हर रैंकिंग को बिल्कुल पीछे की ओर ले जाता है।
AUC को 'सीमा-स्वतंत्र' के रूप में क्यों वर्णित किया गया है?
एयूसी संपूर्ण आरओसी वक्र का सारांश प्रस्तुत करता है, जो प्रत्येक सीमा को पार करके उत्पन्न होता है, इसलिए यह किसी एक चुने हुए कटऑफ पर निर्भर नहीं करता है।
अत्यधिक असंतुलित डेटासेट के लिए, अक्सर ROC के साथ या उसके स्थान पर किस वक्र की अनुशंसा की जाती है क्योंकि ROC अत्यधिक आशावादी दिख सकती है?
दुर्लभ-सकारात्मक समस्याओं पर बड़ी संख्या में वास्तविक नकारात्मकताएं गलत सकारात्मक दर को कम रखती हैं, जिससे आरओसी बढ़ती है। प्रिसिजन-रिकॉल कर्व्स सकारात्मक वर्ग पर ध्यान केंद्रित करते हैं और प्रदर्शन को अधिक ईमानदारी से प्रकट करते हैं।