Main Content

roc

수신자 조작 특성

페이지 내 모두 축소

구문

[tpr,fpr,thresholds] = roc(targets,outputs)

설명

예제

[tpr,fpr,thresholds] = roc(targets,outputs)는 목표값으로 구성된 행렬과 출력값으로 구성된 행렬을 받고 참양성률/양성률, 거짓양성률/음성률, [0,1] 구간에 대한 임계값을 반환합니다.

팁

roc는 categorical형 목표값을 지원하지 않습니다. categorical형 목표값에 대한 ROC 메트릭을 계산하려면 rocmetrics를 사용하십시오.

단일 클래스 문제의 경우 이 함수는 클래스 소속 여부를 나타내는 부울 값으로 구성된 행렬과 [0,1] 범위의 출력값으로 구성된 행렬을 받습니다.

수신자 조작 특성(ROC)은 분류기의 품질을 확인하는 데 사용되는 메트릭입니다. 각 분류기 클래스에 대해 roc는 [0,1] 구간에서 출력값에 임계값을 적용합니다. 각 임계값에 대해 2개의 값, 즉 참양성률(TPR)과 거짓양성률(FPR)이 계산됩니다. 특정 클래스 i에서, TPR은 실제 클래스와 예측 클래스가 클래스 i인 출력값의 개수를 예측 클래스가 클래스 i인 출력값의 개수로 나눈 값입니다. FPR은 실제 클래스는 i가 아니지만 예측 클래스가 클래스 i인 출력값의 개수를 예측 클래스가 클래스 i가 아닌 출력값의 개수로 나눈 값입니다.

이 함수의 결과는 plotroc를 사용하여 시각화할 수 있습니다.

예제

모두 축소

이 예제에서는 붓꽃을 인식하도록 훈련된 신경망의 ROC를 계산하고 플로팅하는 방법을 보여줍니다.

load iris_dataset
net = patternnet(20);
net = train(net,irisInputs,irisTargets);
irisOutputs = sim(net,irisInputs);
[tpr,fpr,thresholds] = roc(irisTargets,irisOutputs)

입력 인수

모두 축소

목표값으로, S×Q 행렬로 지정됩니다. 여기서 각 열 벡터에는 하나의 1 값이 있고 나머지 모든 요소는 0입니다. 1의 인덱스는 S개의 범주 중에서 이 벡터가 나타내는 범주가 무엇인지를 지정합니다.

단일 클래스 문제의 경우 이 인수는 클래스 소속 여부를 나타내는 부울 값으로 구성된 1×Q 행렬로 지정됩니다.

출력값으로, S×Q 행렬로 지정됩니다. 여기서 각 열에는 [0,1] 범위의 값이 있습니다. 열에 있는 가장 큰 요소의 인덱스는 S개의 범주 중에서 이 벡터가 나타내는 범주가 무엇인지를 지정합니다. 또는 1×Q 벡터. 여기서 0.5보다 크거나 같은 값은 클래스에 속함을 나타내고 0.5보다 작은 값은 클래스에 속하지 않음을 나타냅니다.

출력 인수

모두 축소

임계값보다 크거나 같아 실질적으로 목표값 1을 갖게 되는 목표값들의 비율로, 1×N 벡터들로 구성된 1×S 셀형 배열로 반환됩니다.

단일 클래스 문제의 경우 이 출력 인수는 1×N 벡터로 반환됩니다.

임계값보다 크거나 같아 실질적으로 목표값 0을 갖게 되는 목표값들의 비율로, 1×N 벡터들로 구성된 1×S 셀형 배열로 반환됩니다.

단일 클래스 문제의 경우 이 출력 인수는 1×N 벡터로 반환됩니다.

임계값으로, 구간 [0,1]에 대한 1×N 벡터들로 구성된 1×S 셀형 배열로 반환됩니다.

단일 클래스 문제의 경우 이 출력 인수는 1×N 벡터로 반환됩니다.

버전 내역

R2008a에 개발됨

참고 항목

|