ROC মানে রিসিভার অপারেটিং চারিত্রিক বৈশিষ্ট্য। ROC বক্ররেখা হল দুটি শ্রেণিবিন্যাস মডেল বিশ্লেষণ করার জন্য একটি সুবিধাজনক ভিজ্যুয়াল টুল। রাডার ইমেজ অনুসন্ধানের জন্য দ্বিতীয় বিশ্বযুদ্ধের সময় উত্পাদিত সংকেত সনাক্তকরণ তত্ত্ব থেকে ROC বক্ররেখা প্রদর্শিত হয়।
একটি ROC বক্ররেখা একটি প্রদত্ত মডেলের জন্য সত্যিকারের ইতিবাচক হার বা সংবেদনশীলতা (স্বীকৃত ইতিবাচক টিপলের অনুপাত) এবং মিথ্যা-পজিটিভ হার (নেতিবাচক টিপলের অনুপাত যা ভুলভাবে ইতিবাচক হিসাবে স্বীকৃত) এর মধ্যে ট্রেড-অফ প্রদর্শন করে।
একটি দ্বি-শ্রেণীর সমস্যা প্রদত্ত, এটি মডেলটি যে হারে সঠিকভাবে 'হ্যাঁ' কেস সনাক্ত করতে পারে সেই হারের মধ্যে ট্রেড-অফ অনুমান করতে সক্ষম করে বনাম যে হারে এটি ভুলভাবে 'না' কেসকে একাধিক "অংশের জন্য 'হ্যাঁ' হিসাবে স্বীকৃতি দেয়। ” পরীক্ষার সেটের। সত্য ধনাত্মক হারে কিছু বৃদ্ধি মিথ্যা-ধনাত্মক হারের বৃদ্ধির মূল্যে প্রদর্শিত হয়। ROC বক্ররেখার নিচের এলাকা হল মডেলের নির্ভুলতার একটি মূল্যায়ন।
এটি একটি প্রদত্ত শ্রেণীবিভাগ মডেল, এম এর জন্য একটি ROC বক্ররেখা পরিচালনা করতে পারে, মডেলটি প্রতিটি পরীক্ষার টিপলের পূর্বাভাসিত শ্রেণীর জন্য একটি সম্ভাব্যতা বা র্যাঙ্কিং ফিরিয়ে দিতে সক্ষম হওয়া উচিত। পরীক্ষার টিপলগুলিকে অবতরণ ক্রমে র্যাঙ্ক করা প্রয়োজন, যেখানে শ্রেণীবিভাগকারী মনে করেন যেটি সাধারণত পজিটিভ বা 'হ্যাঁ' শ্রেণী তালিকার শীর্ষে থাকে।
নেভ বায়েসিয়ান এবং ব্যাকপ্রোপাগেশন ক্লাসিফায়ারগুলি উপযুক্ত, যেখানে ডিসিশন ট্রি ক্লাসিফায়ারগুলি সহ, কেবল পরিবর্তন করা যেতে পারে যাতে প্রতিটি ভবিষ্যদ্বাণীর জন্য একটি শ্রেণী সম্ভাব্যতা বন্টন ফেরত দেওয়া যায়। একটি ROC বক্ররেখার উল্লম্ব অক্ষ প্রকৃত ধনাত্মক হারকে সংজ্ঞায়িত করে। অনুভূমিক অক্ষ মিথ্যা-ধনাত্মক হারকে সংজ্ঞায়িত করে। M এর জন্য একটি ROC বক্ররেখা নিম্নরূপ প্লট করা হয়েছে।
এটি নীচের বাম-হাতের কোণে শুরু হচ্ছে (যেখানে সত্যিকারের ইতিবাচক হার এবং মিথ্যা-ধনাত্মক হার উভয়ই 0), এটি তালিকার প্রথমটিতে টিপলের প্রকৃত শ্রেণি লেবেল পরীক্ষা করতে পারে। যদি এটি সত্যিকারের পজিটিভ হয় (অর্থাৎ, একটি ইতিবাচক টিপল যা সঠিকভাবে সংজ্ঞায়িত করা হয়েছিল), তাহলে ROC বক্ররেখায়, এটি পরিবর্তন করতে পারে এবং একটি বিন্দু তৈরি করতে পারে।
এটি দুটি শ্রেণিবিন্যাস মডেলের ROC বক্ররেখা প্রদর্শন করে। প্লটটি একটি তির্যক রেখাও প্রদর্শন করে যেখানে এই ধরনের মডেলের প্রতিটি সত্যিকারের ইতিবাচকের জন্য, এটি সাধারণত একটি মিথ্যা পজিটিভের সম্মুখীন হয়।
অতএব, একটি মডেলের ROC বক্ররেখা তির্যক রেখার যত কাছাকাছি হবে, মডেলটি তত কম কার্যকর হবে। মডেলটি সেরা হলে, মূলত এটি সত্যিকারের ইতিবাচকতার সম্মুখীন হতে পারে কারণ এটি র্যাঙ্ক করা তালিকাকে পরিবর্তন করতে পারে। অতএব, বক্ররেখা শূন্য থেকে খাড়াভাবে উপরে যেতে পারে। পরবর্তীতে, যেহেতু এটি কম এবং কম সত্য ইতিবাচক এবং ক্রমান্বয়ে মিথ্যা ইতিবাচকের সম্মুখীন হতে পারে, বক্ররেখাগুলি বন্ধ হয়ে যায় এবং আরও অনুভূমিক হয়ে যায়৷
