ROC曲線與AUC計算器 - 二元分類模型評估

受試者工作特徵（ROC）曲線是一種圖形化工具，用於評估二元分類模型在所有可能決策閾值下的區分能力。它會隨著決策閾值由高到低變化，將縱軸上的真陽性率（TPR，即靈敏度）與橫軸上的假陽性率（FPR，即1 − 特異度）繪製出來。 靈敏度（TPR）表示被正確辨識出的真陽性所占比例：TPR = TP / (TP + FN)。特異度表示被正確辨識出的真陰性所占比例：Specificity = TN / (TN + FP)。FPR = 1 − Specificity = FP / (TN + FP)。完美分類器會通過左上角（FPR = 0，TPR = 1），而隨機分類器的ROC曲線則落在從（0,0）到（1,1）的對角線上。 ROC曲線下面積（AUC）以單一標量概括整體分類表現。AUC為1.0代表完美區分；0.5代表沒有區分能力（等同於隨機猜測）。一般而言，AUC ≥ 0.9 為極佳，0.8–0.9 為良好，0.7–0.8 為普通，低於0.7 為較差。 此計算器使用梯形法則計算AUC，也就是對階梯狀ROC曲線下的面積進行積分。它還會使用 Youden’s J 統計量（J = sensitivity + specificity − 1）找出最佳決策閾值，以最大化靈敏度與特異度之和，並提供一個較為平衡的操作點。 ROC曲線與AUC是醫學診斷（二元分類器區分患病與健康患者）、機器學習（二元分類模型評估）以及信用評分的標準評估指標。與準確率不同，AUC對類別不平衡不敏感，因此在正類樣本稀少時特別有價值。 此工具接受任何分數-標籤配對清單。分數可以是機率、logit值或任何連續排序分數。標籤必須是0（負類）或1（正類）。結果表會顯示所有ROC操作點，並高亮最佳閾值所在列，方便快速參考。