ROC মানে রিসিভার অপারেটিং চরিত্রগত বক্ররেখা। এটি সত্য ইতিবাচক হার এবং একটি শ্রেণীবিভাগের মিথ্যা ইতিবাচক হারের মধ্যে ট্রেডঅফ দেখানোর জন্য একটি গ্রাফিক্যাল পদ্ধতি। একটি ROC বক্ররেখায়, সত্য পজিটিভ রেট (TPR) g অক্ষের সামনে প্লট করা হয় এবং মিথ্যা পজিটিভ রেট (FPR) r অক্ষে প্রদর্শিত হয়। প্রতিটি বিন্দু এগিয়ে বক্ররেখা শ্রেণীবদ্ধকারী দ্বারা প্ররোচিত মডেলগুলির একটির সাথে সম্পর্কযুক্ত।
একটি ROC বক্ররেখা বরাবর বেশ কয়েকটি গুরুত্বপূর্ণ পয়েন্ট রয়েছে যার সুপরিচিত ব্যাখ্যা রয়েছে −
(TPR:O, FPR:0) − মডেল প্রতিটি উদাহরণকে নেতিবাচক শ্রেণী বলে ভবিষ্যদ্বাণী করে।
(TPR:l, FPR:I) − মডেল প্রতিটি দৃষ্টান্তকে একটি ইতিবাচক শ্রেণী বলে ভবিষ্যদ্বাণী করে৷
(TPR:l, FPR:O) − আদর্শ মডেল।
সর্বোত্তম শ্রেণীবিভাগের মডেলটি অবশ্যই উপরের বাম দিকে প্রযোজ্য হিসাবে কাছাকাছি স্থাপন করা উচিত, যখন একটি মডেল যা এলোমেলো অনুমান তৈরি করে তাকে অবশ্যই প্রধান তির্যক বরাবর থাকতে হবে, পয়েন্টগুলি (TPR:0,FPR:0) এবং (TPR:I,FPR:1)। এলোমেলো অনুমান সংজ্ঞায়িত করে যে একটি রেকর্ডকে একটি নির্দিষ্ট সম্ভাব্যতা p সহ একটি ইতিবাচক শ্রেণী হিসাবে সংজ্ঞায়িত করা হয়, তার বৈশিষ্ট্য সেট নির্বিশেষে৷
এটি একটি ROC বক্ররেখা আঁকতে পারে, শ্রেণীবিভাগকারীকে অবশ্যই একটি ক্রমাগত-মূল্যবান আউটপুট তৈরি করতে সক্ষম হতে হবে যা তার ভবিষ্যদ্বাণীগুলিকে র্যাঙ্ক করতে ব্যবহার করা যেতে পারে, একটি ইতিবাচক শ্রেণী হিসাবে সংজ্ঞায়িত হওয়ার সম্ভাব্য ডেটা থেকে ন্যূনতম সম্ভাব্য ডেটা পর্যন্ত। এই আউটপুটগুলি একটি Bayesian ক্লাসিফায়ার দ্বারা উত্পাদিত পশ্চাদবর্তী সম্ভাব্যতা বা একটি কৃত্রিম নিউরাল নেটওয়ার্ক দ্বারা বিকাশিত সংখ্যাসূচক-মূল্যবান আউটপুটগুলির সাথে সম্পর্কযুক্ত হতে পারে। নিম্নলিখিত প্রক্রিয়াটি একটি ROC বক্ররেখা তৈরি করতে ব্যবহার করা যেতে পারে -
এটি বিবেচনা করা হচ্ছে যে ক্রমাগত-মূল্যবান আউটপুটগুলিকে ইতিবাচক শ্রেণীর জন্য উপস্থাপন করা হয়, তাদের আউটপুট মানগুলির ক্রমবর্ধমান সিরিজে পরীক্ষার ডেটা বাছাই করে৷
এটি সর্বনিম্ন-র্যাঙ্কযুক্ত পরীক্ষার ডেটা (অর্থাৎ, সর্বনিম্ন আউটপুট মান সহ ডেটা) বেছে নিতে পারে। এটি পজিটিভ ক্লাসে নির্বাচিত ডেটা এবং এটি অনুসরণকারী র্যাঙ্কিং বরাদ্দ করতে পারে। এই পদ্ধতিটি সমস্ত পরীক্ষার ডেটাকে ইতিবাচক শ্রেণী হিসাবে সংজ্ঞায়িত করার অনুরূপ। কারণ সমস্ত ইতিবাচক দৃষ্টান্ত সঠিকভাবে সংজ্ঞায়িত করা হয়েছে এবং নেতিবাচক দৃষ্টান্তগুলিকে ভুল শ্রেণিবদ্ধ করা হয়েছে, TPR:FPR:I।
এটি সাজানো তালিকা থেকে পরবর্তী পরীক্ষার ডেটা নির্বাচন করতে পারে। এটি নির্বাচিত ডেটা এবং এটিকে অনুসরণ করে র্যাঙ্ক করাকে ইতিবাচক হিসাবে সংজ্ঞায়িত করে, যখন এটির অধীনে র্যাঙ্ক করা হয় তাদের নেতিবাচক হিসাবে। এটি পূর্বে নির্বাচিত ডেটার প্রকৃত ক্লাস লেবেল নির্ধারণ করে TP এবং FP-এর গণনা রিফ্রেশ করতে পারে।
যদি পূর্বে নির্বাচিত ডেটা একটি ইতিবাচক শ্রেণী হয়, তাহলে TP গণনা হ্রাস পাবে এবং FP গণনা আগের মতই থাকবে। যদি পূর্বে নির্বাচিত ডেটা একটি নেতিবাচক শ্রেণী হয়, তাহলে FP গণনা হ্রাস পাবে এবং TP গণনা আগের মতই থাকবে৷
ধাপ 3 পুনরাবৃত্তি করুন এবং TP এবং FP গণনাগুলি সেই অনুযায়ী রিফ্রেশ করুন যতক্ষণ না সবচেয়ে বড় র্যাঙ্ক করা পরীক্ষার ডেটা নির্বাচন করা হয়৷
এটি ক্লাসিফায়ারের এফপিআরের বিপরীতে টিপিআরকে পিয়ট করতে পারে।
