W uczeniu maszynowym możemy wykorzystać obszar pod krzywą ROC (często skracany AUC lub AUROC), aby podsumować, jak dobrze system może rozróżniać dwie kategorie. W teorii wykrywania sygnału często stosuje się (wskaźnik czułości) do podobnego celu. Oba są ściśle ze sobą powiązane i uważam, że są sobie równe, jeśli pewne założenia są spełnione .
obliczenie przedstawia się zwykle na podstawie założeniu normalnych rozkładów dla rozkładu sygnału (patrz odwołuje powyżej, na przykład). Obliczenie krzywej ROC nie przyjmuje tego założenia: ma zastosowanie do każdego klasyfikatora, który generuje kryterium decyzyjne o wartości ciągłej, które można progować.
Wikipedia twierdzi, że jest równoważne . Wydaje się to słuszne, jeśli założenia obu są spełnione; ale jeśli założenia nie są takie same, to nie jest to uniwersalna prawda. 2 AUC - 1
Czy słusznie jest scharakteryzować różnicę w założeniach jako „AUC czyni mniej założeń dotyczących podstawowych rozkładów”? A może jest tak samo szeroko stosowane jak AUC, ale jest to po prostu powszechna praktyka, że ludzie używający mają tendencję do korzystania z obliczeń, które zakładają normalne rozkłady? Czy są jakieś inne różnice w podstawowych założeniach, które przeoczyłem?d ′
źródło