Некоторые методы интерпретации результатов ROC-анализа:

• Анализ формы и положения ROC-кривой. 1 Форма кривой даёт представление о производительности модели. 1 Например, кривая, обнимающая левый верхний угол, представляет идеальный классификатор со 100% коэффициентом истинных положительных результатов (TPR) и 0% коэффициентом ложных положительных результатов (FPR). 1 Кривая вдоль диагональной линии (y=x) представляет классификатор, работающий не лучше, чем случайное угадывание. 1
• Оценка площади под ROC-кривой (AUC). 34 Чем выше значение AUC, тем выше точность теста. 4 Максимальное значение AUC равно 1, что означает, что диагностический тест правильно и полностью различает две популяции. 4 Если AUC равен 0,5, это означает, что дифференциация является случайной. 4
• Использование коэффициента Юдена. 5 Этот показатель представляет собой разницу между долей истинно положительных и ложноположительных результатов классификации. 5 Близость коэффициента Юдена к единице говорит о лучшей работе построенной модели. 5
• Рассмотрение других метрик. 2 Помимо AUC, можно использовать точность, полноту и F-меру, которые могут дать более полную картину при несбалансированных классах. 2

При интерпретации результатов ROC-анализа важно учитывать структуру данных и специфику задачи. 2