CURVAS ROC
Capítulo 6
respuesta del clasificador puede indicar cualquiera de ambos estados (presencia y ausencia). Si el clasificador no discrimina entre ellas, es decir, el grado de solapamiento entre ambas funciones de densidad condicionadas no permite distinguirlas, entonces la exactitud del mismo será insignificante (Figura 6.4.a). En caso contrario, cuando no hay solapamiento entre estas funciones de densidad, entonces el clasificador discrimina correctamente entre ambos estados de la condición, es decir, tiene un rendimiento perfecto (Figura 6.4.b).
Figura 6.4 Situaciones extremas de solapamiento entre distribuciones
Sin embargo, estas dos situaciones no son habituales en la práctica, por lo que en general, la exactitud o rendimiento de un clasificador se encuentra entre estos dos extremos. En este contexto, una curva ROC permite la visualización del rendimiento de las clasificaciones, y por tanto, la organización y selección de las mismas. Esta curva es la representación de los tradeoffs o relaciones de compensación entre la sensibilidad y la especificidad. Por tanto, el análisis ROC estima una curva, la curva ROC, la cual describe el inherente tradeoff entre sensibilidad y especificidad de un clasificador. Cada punto, (1 - E, S) está asociado a un criterio o punto de corte específico. Obviamente, este punto varia para distintos observadores (analistas, revisores, médicos, psiquiatras...), ya que su criterio diagnóstico puede ser diferente aunque sus curvas ROC sean iguales.
6.2 Curva ROC | 36