로지스틱 플랫폼에는 로지스틱 회귀 모형에 대해 ROC(Receiver Operating Characteristic) 곡선을 적합시키는 옵션이 포함되어 있습니다. 로지스틱 플랫폼의 "ROC 곡선" 옵션은 플랫폼 시작 창의 "목표 수준"을 ROC 곡선의 Positive 반응 수준으로 사용합니다. 자세한 내용은 ROC 곡선의 예에서 확인하십시오.
예를 들어 진단 측도인 X 변수의 값이 있고 다음을 나타내는 X 변수의 임계값을 결정하려고 한다고 가정해 보겠습니다.
• X 변수의 값이 임계보다 크면 조건이 존재하는 것입니다.
• X 변수의 값이 임계보다 작으면 조건이 존재하지 않는 것입니다.
예를 들어 암 유형을 예측하기 위한 진단 검사로 혈액 성분 수준을 측정할 수 있습니다. 임계가 다양하고 그로 인해 False Positive(가양성) 및 False Negative(가음성)가 늘어나거나 줄어들 수 있기 때문에 진단 검정을 검토합니다. 그런 다음 해당 비율을 그림으로 표시합니다. 이상적인 상태는 True Negative(진음성)와 True Positive(진양성)를 가장 잘 구분하는 X 변수 값의 범위가 매우 좁은 것입니다. ROC(Receiver Operating Characteristic) 곡선은 이 전환이 얼마나 빠르게 일어나는지를 보여 줍니다. ROC 곡선의 목적은 곡선 아래 면적을 최대화하는 진단 기준을 얻는 것입니다.
두 가지 표준 정의가 의학에서 사용됩니다.
• 민감도는 X 변수의 특정 값이 존재하는 조건을 올바르게 예측할 확률입니다. 특정 x가 조건의 존재를 잘못 예측할 확률은 1 – 민감도입니다.
• 특이도는 검정을 통해 조건이 존재하지 않음을 올바르게 예측할 확률입니다.
ROC 곡선은 각 X 변수 값에 대한 민감도 대 (1 - 특이도)의 그림입니다. ROC 곡선 아래의 면적은 곡선에 포함된 정보를 요약하는 데 사용되는 일반적인 지표입니다.
검사를 통한 예측이 완벽했다면 전체 비정상 모집단의 아래쪽, 모든 정상 값의 위쪽에 위치하는 하나의 값을 얻게 됩니다. 민감도가 완벽하게 되면 격자 위의 점(0, 1)을 지납니다. ROC 곡선이 이 이상적인 점에 가까울수록 판별 능력이 높습니다. 예측 능력이 없는 검사의 경우 격자의 대각선과 일치하는 곡선이 생성됩니다(DeLong et al. 1988).
ROC 곡선은 False Positive 비율과 True Positive 비율의 관계를 그래픽으로 나타낸 것입니다. 관계를 평가하는 표준 방법은 보고서의 그림 아래에 표시된 곡선 아래 면적을 사용하는 것입니다. 그림에는 ROC 곡선에 45도로 접하는 노란색 선이 그려집니다. 이는 민감도와 특이도의 합을 최대화하는 경계 점을 나타냅니다.