使用方式
- 每行貼上一組 score,label。模型表現良好時，分數應讓陽性樣本排在陰性樣本前面。
- 如果標籤不像
1或case那樣明確，可手動指定陽性標籤。 - 先用 AUC 檢視排序品質，再用閾值表與 ROC 曲線選擇實務上可用的 cutoff。
從二元分數排序建立 ROC 與 AUC
此頁僅支援二元分類與分數資料。當主要問題是分數排序與閾值取捨時，可在 精確率-召回率曲線或校準圖之前使用。
輸入
貼上分數與標籤列，然後執行計算以檢視 ROC 取捨。
ROC 曲線
執行計算後即可檢視 ROC 曲線。聚焦圖表後可用 ← / → 在門檻之間移動。
閾值表
此表列出分數掃描的前幾列閾值。較低的閾值通常會提高敏感度並降低特異度。
| 閾值 ≥ | 敏感度 | 特異度 | FPR | TP | FP | TN | FN |
|---|
如何解讀 ROC AUC
ROC AUC 會檢查分數在所有閾值下，是否能把陽性樣本排在陰性樣本之前。數值接近 0.5 代表排序接近隨機；數值越高，通常表示陽性樣本更常得到較高分數。
閾值仍然重要
高 AUC 不會自動替你選出操作 cutoff。實際閾值取決於你的流程中哪一種成本更高：偽陽性、偽陰性，或人工覆核量造成的延遲。
混淆矩陣 vs ROC AUC
當閾值已固定且需要單一操作快照時，請使用 混淆矩陣。當閾值仍未決定、需要先比較完整掃描時，請使用 ROC AUC。
常見問題
ROC AUC 與混淆矩陣有什麼不同？
混淆矩陣描述一個已選定的閾值；ROC AUC 則描述多個閾值下敏感度與特異度的取捨，因此能在決定操作 cutoff 前，評估分數把陽性排在陰性前面的能力。
移動閾值時會發生什麼？
較低的閾值會把更多案例判為陽性，通常提高敏感度並降低特異度；較高的閾值則相反。閾值表可逐列檢查這個取捨。
高 AUC 會自動告訴我該用哪個閾值嗎？
不會。AUC 概括跨閾值的排序品質，但實際操作閾值仍取決於偽陽性與偽陰性的成本、盛行率與工作流程限制。
這頁支援多類別 ROC 嗎？
不支援。此頁刻意限制在二元分類，讓分數排序、ROC 曲線與閾值表容易核對。
相關頁面
留言（選用）
為降低負載，留言只會在需要時載入。