使用方式
- Paste one score,label pair per line. Scores should rank positives above negatives when the model is working well.
- 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
Paste score,label rows and run the calculation to inspect ROC trade-offs.
ROC curve
Run the calculator to inspect the ROC curve. Focus the chart and use ← / → to move across thresholds.
閾值表
The table lists the first threshold rows from the score sweep. Lower thresholds usually increase sensitivity and reduce specificity.
| 閾值 ≥ | 敏感度 | 特異度 | FPR | TP | FP | TN | FN |
|---|
如何解讀 ROC AUC
ROC AUC asks how well the score ranks positives above negatives across all thresholds. A value near 0.5 means the ordering is close to random. A higher value means positives tend to receive higher scores than negatives.
閾值s still matter
A high AUC does not choose the operating cutoff for you. The right threshold depends on what hurts more in your workflow: false positives, false negatives, or delay caused by review volume.
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
Comments (optional)
To reduce load, comments are fetched only when needed.