Gerador de Curva ROC Grátis
Crie uma curva ROC legendada com AUC a partir de texto simples
Descreva seu classificador ou teste diagnóstico, a AUC e qualquer limiar ou faixa de confiança que queira mostrar, e a IA desenha uma curva ROC limpa e profissional com uma linha diagonal de chance — pronta para tarefas de estatística, avaliação de modelos e artigos de pesquisa.
Exemplos de curvas ROC
Clique em qualquer exemplo para carregar seu prompt ou use-o como ponto de partida para a sua própria curva ROC.
O que é uma curva ROC?
Uma curva ROC (curva característica de operação do receptor) é um gráfico que plota a taxa de verdadeiros positivos (sensibilidade) de um classificador contra sua taxa de falsos positivos (1 − especificidade) ao longo de todos os limiares de decisão, para que você possa ver quão bem ele separa duas classes. Este gerador de curvas ROC transforma uma descrição em texto simples em um gráfico limpo e legendado — você descreve seu modelo ou teste diagnóstico, a AUC e qualquer limiar ou faixa de confiança, e a IA produz uma figura com proporções adequadas, com eixos com título, a curva ROC, uma linha diagonal de chance e anotações opcionais, tudo sem planilhas nem código.
Por que usar um gerador de curvas ROC
- As curvas ROC são a forma padrão de resumir e comparar o desempenho de classificadores e testes diagnósticos em todos os limiares em aprendizado de máquina, estatística e medicina.
- Construir um gráfico ROC com qualidade de publicação em R, Python ou scikit-learn exige um trabalho de formatação que desvia o foco da análise.
- Estudantes que aprendem sensibilidade, especificidade e AUC entendem muito melhor a partir de uma curva ROC claramente legendada.
- Professores e pesquisadores precisam de figuras de ROC e AUC rápidas e apresentáveis para slides, relatórios de laboratório e artigos.
- Mudar os modelos, os limiares ou a faixa de confiança e regenerar é muito mais rápido do que editar o código de plotagem à mão.
Como fazer uma curva ROC
Descreva o classificador ou teste diagnóstico e sua AUC, e nomeie os eixos — taxa de falsos positivos (1 − especificidade) no eixo x e taxa de verdadeiros positivos (sensibilidade) no eixo y. Em seguida, adicione os recursos de que precisa: uma linha diagonal de chance tracejada, vários modelos com uma legenda listando cada AUC, um ponto de limiar ótimo, ou uma faixa de confiança de 95% sombreada. Gere a curva ROC, confira os eixos, a AUC e o formato da curva, e refine a descrição se algo não estiver claro.
Partes de uma curva ROC
- Eixo x — a taxa de falsos positivos (1 − especificidade), a fração de negativos erroneamente sinalizados como positivos.
- Eixo y — a taxa de verdadeiros positivos (sensibilidade), a fração de positivos corretamente identificados.
- Curva ROC — a linha que traça a sensibilidade contra a taxa de falsos positivos ao longo de todos os limiares de decisão.
- Linha diagonal de chance — a linha tracejada de 45° que marca um classificador aleatório sem poder de discriminação (AUC = 0,5).
- Valor de AUC — a área sob a curva ROC, um único número de 0,5 a 1,0 que resume o desempenho geral.
- Limiar ótimo / ponto de operação — um ponto destacado na curva marcando o equilíbrio escolhido entre sensibilidade e especificidade.
Perguntas Frequentes sobre o Gerador de Curva ROC
O que é uma curva ROC?
Uma curva ROC (curva característica de operação do receptor) é um gráfico que mostra quão bem um classificador ou teste diagnóstico separa duas classes. Ela plota a taxa de verdadeiros positivos (sensibilidade) contra a taxa de falsos positivos (1 − especificidade) ao longo de todos os limiares de decisão, de modo que uma curva curvando-se em direção ao canto superior esquerdo indica um modelo melhor.
O que é a AUC e o que ela significa?
A AUC é a área sob a curva ROC, um único número de 0,5 a 1,0 que resume o desempenho geral. Uma AUC de 0,5 significa que o modelo não é melhor do que a chance aleatória (a linha diagonal), enquanto 1,0 significa separação perfeita. Ela pode ser lida como a probabilidade de o modelo classificar um caso positivo aleatório acima de um caso negativo aleatório.
Como faço uma curva ROC online?
Descreva seu classificador ou teste diagnóstico, sua AUC e o que vai em cada eixo — taxa de falsos positivos (1 − especificidade) e taxa de verdadeiros positivos (sensibilidade). Este gerador de curvas ROC online então produz para você uma curva ROC limpa e legendada com uma linha diagonal de chance, sem necessidade de planilhas, fórmulas ou código.
O que significam sensibilidade e especificidade?
A sensibilidade (a taxa de verdadeiros positivos) é a fração de positivos reais que o teste identifica corretamente, enquanto a especificidade é a fração de negativos reais que ele descarta corretamente. O eixo y da curva ROC é a sensibilidade e seu eixo x é a taxa de falsos positivos, que equivale a 1 − especificidade, de modo que a curva mostra o equilíbrio entre capturar positivos e evitar alarmes falsos.
É gratuito?
Cada geração usa um pequeno número de créditos. Contas novas recebem créditos gratuitos, então você pode fazer uma curva ROC sem nenhuma assinatura.
Isto é adequado para aula, pesquisa ou relatórios?
Sim. O gerador de curvas ROC produz figuras limpas e legendadas, adequadas para tarefas de sala de aula, relatórios de laboratório, pôsteres e artigos de pesquisa. Sempre verifique se a curva, a AUC e o ponto de limiar correspondem à saída do seu próprio modelo antes de usar a figura em um relatório formal.
Explore mais ferramentas
Criador de Histograma
Transforme dados e intervalos em um histograma de frequência limpo e legendado, com uma curva normal opcional.
Experimente grátis
Criador de Boxplot
Gere diagramas de caixa e bigodes limpos e legendados com quartis, bigodes e valores atípicos a partir de uma descrição em texto simples.
Experimente grátis
Criador de Gráfico de Violino
Crie gráficos de violino legendados com boxplots internos e formatos de densidade a partir de uma descrição em texto simples.
Experimente grátisPrecisa de outros gráficos estatísticos ou científicos?
Gere forest plots, curvas de Kaplan-Meier, volcano plots e mais figuras científicas com o SciDraw AI.
