Бесплатный генератор ROC-кривой
Создайте подписанную ROC-кривую с AUC из обычного текста
Опишите ваш классификатор или диагностический тест, значение AUC и любой порог или доверительную полосу, которые хотите показать, и ИИ нарисует аккуратную профессиональную ROC-кривую с диагональной линией случайности — готовую для домашних заданий по статистике, оценки моделей и научных статей.
Примеры ROC-кривых
Нажмите на любой пример, чтобы загрузить его запрос, или используйте его как отправную точку для собственной ROC-кривой.
Что такое ROC-кривая?
ROC-кривая (кривая рабочей характеристики приёмника) — это график, наносящий долю истинно положительных результатов классификатора (чувствительность) против его доли ложноположительных (1 − специфичность) для каждого порога принятия решения, чтобы вы могли увидеть, насколько хорошо он разделяет два класса. Этот генератор ROC-кривой превращает текстовое описание в аккуратный подписанный график — вы описываете вашу модель или диагностический тест, значение AUC и любой порог или доверительную полосу, а ИИ создаёт правильно пропорционированный рисунок с озаглавленными осями, ROC-кривой, диагональной линией случайности и необязательными аннотациями, и всё это без таблиц и программирования.
Зачем нужен генератор ROC-кривой
- ROC-кривые — стандартный способ обобщить и сравнить эффективность классификаторов и диагностических тестов по всем порогам в машинном обучении, статистике и медицине.
- Построение ROC-графика публикационного качества в R, Python или scikit-learn требует работы по форматированию, отвлекающей от анализа.
- Студенты, изучающие чувствительность, специфичность и AUC, понимают их гораздо лучше по чётко подписанной ROC-кривой.
- Преподавателям и исследователям нужны быстрые, презентабельные рисунки ROC и AUC для слайдов, лабораторных отчётов и статей.
- Изменить модели, пороги или доверительную полосу и пересоздать рисунок гораздо быстрее, чем редактировать код построения вручную.
Как построить ROC-кривую
Опишите классификатор или диагностический тест и его AUC и назовите оси — долю ложноположительных (1 − специфичность) на оси x и долю истинно положительных (чувствительность) на оси y. Затем добавьте нужные элементы: пунктирную диагональную линию случайности, несколько моделей с легендой, перечисляющей каждое AUC, точку оптимального порога или заштрихованную 95% доверительную полосу. Сгенерируйте ROC-кривую, проверьте оси, AUC и форму кривой и уточните описание, если что-то неясно.
Части ROC-кривой
- Ось x — доля ложноположительных (1 − специфичность), доля отрицательных результатов, ошибочно отмеченных как положительные.
- Ось y — доля истинно положительных (чувствительность), доля положительных результатов, правильно определённых.
- ROC-кривая — линия, прослеживающая чувствительность против доли ложноположительных для всех порогов принятия решения.
- Диагональная линия случайности — пунктирная 45° линия, отмечающая случайный классификатор без различающей способности (AUC = 0,5).
- Значение AUC — площадь под ROC-кривой, единое число от 0,5 до 1,0, обобщающее общую эффективность.
- Оптимальный порог / рабочая точка — выделенная точка на кривой, отмечающая выбранный компромисс между чувствительностью и специфичностью.
Частые вопросы о генераторе ROC-кривой
Что такое ROC-кривая?
ROC-кривая (кривая рабочей характеристики приёмника) — это график, показывающий, насколько хорошо классификатор или диагностический тест разделяет два класса. Она наносит долю истинно положительных (чувствительность) против доли ложноположительных (1 − специфичность) для каждого порога принятия решения, поэтому кривая, изгибающаяся к верхнему левому углу, указывает на лучшую модель.
Что такое AUC и что оно означает?
AUC — это площадь под ROC-кривой, единое число от 0,5 до 1,0, обобщающее общую эффективность. AUC, равное 0,5, означает, что модель не лучше случайности (диагональная линия), а 1,0 означает идеальное разделение. Его можно читать как вероятность того, что модель ранжирует случайный положительный случай выше случайного отрицательного.
Как построить ROC-кривую онлайн?
Опишите ваш классификатор или диагностический тест, его AUC и что идёт на каждую ось — долю ложноположительных (1 − специфичность) и долю истинно положительных (чувствительность). Затем этот онлайн-генератор ROC-кривой создаст для вас аккуратную подписанную ROC-кривую с диагональной линией случайности, без таблиц, формул и программирования.
Что означают чувствительность и специфичность?
Чувствительность (доля истинно положительных) — это доля реальных положительных случаев, которые тест правильно определяет, а специфичность — доля реальных отрицательных случаев, которые он правильно исключает. Ось y ROC-кривой — это чувствительность, а ось x — доля ложноположительных, равная 1 − специфичность, так что кривая показывает компромисс между выявлением положительных случаев и избеганием ложных тревог.
Это бесплатно?
Каждая генерация использует небольшое число кредитов. Новые аккаунты получают бесплатные кредиты, поэтому вы можете построить ROC-кривую без какой-либо подписки.
Подходит ли это для урока, исследований или отчётов?
Да. Генератор ROC-кривой создаёт аккуратные подписанные рисунки, подходящие для классных заданий, лабораторных отчётов, постеров и научных статей. Всегда проверяйте, что кривая, AUC и точка порога соответствуют выводу вашей собственной модели, прежде чем использовать рисунок в официальном отчёте.
Другие инструменты
Конструктор гистограмм
Превращайте данные и интервалы в аккуратную подписанную частотную гистограмму с необязательной нормальной кривой.
Попробовать бесплатно
Конструктор ящиков с усами
Создавайте аккуратные подписанные ящики с усами с квартилями, усами и выбросами из текстового описания.
Попробовать бесплатно
Конструктор скрипичной диаграммы
Создавайте подписанные скрипичные диаграммы с внутренними ящиками с усами и формами плотности из текстового описания.
Попробовать бесплатноНужны другие статистические или научные графики?
Создавайте форест-графики, кривые Каплана — Майера, вулканические диаграммы и другие научные рисунки с SciDraw AI.
