# ارسم منحنى ROC وأبلغ عن قيمة AUC كما ينبغي

> ارفع جدولًا فيه متغير النتيجة والمؤشرات. يطبّق Yila النموذج، ويتحقق منه على بيانات خارج العينة، ويرسم منحنى ROC مع قيمة AUC وفترة ثقتها، ويختار نقطة قطع يمكنك الدفاع عنها.

URL: https://yila.ai/ar/playbooks/roc-curve

## ما الذي ستحصل عليه

- **شكل منحنى ROC** (PNG + SVG): منحنى النموذج مقابل منحنى المقارنة وخط الصدفة، مع قيمة AUC لكل منحنى وفترة ثقتها 95% في مفتاح الرسم، وتمييز نقطة القطع المختارة.
- **جدول المقاييس** (CSV): قيمة AUC مع فترة الثقة، ونقطة القطع، والحساسية والنوعية لكل نموذج، إضافة إلى نسب الأرجحية للمتغيرات المتنبئة.
- **تحقق غير متحيّز** (المنهجية): يُرسم المنحنى من تنبؤات خارج العينة، فلا تتضخم قيمة AUC باختبار النموذج على البيانات نفسها التي بُني عليها.
- **النص البرمجي** (نص برمجي بلغة Python): التحليل كاملًا بلغة Python (أو R إن طلبت)، جاهزًا لموادك التكميلية.

## كيف يعمل

1. **ارفع الجدول وحدّد متغير النتيجة**: قدّم إلى Yila ملف CSV أو Excel، واذكر ما تريد التنبؤ به ومن أي المؤشرات. ويصلح كذلك مؤشر واحد بمفرده.
2. **يفحص Yila البيانات ويخطط للتحقق**: يعدّ الحالات والشواهد، ويبحث عن القيم المفقودة والسمات المقيسة بمقاييس متباينة جدًا، ويقرّر طريقة التحقق قبل أن يطبّق أي نموذج.
3. **احصل على المنحنى والأرقام والنص البرمجي**: يُرسم شكل منحنى ROC وجدول المقاييس، ويُفحصان، ثم يُحفظان مع النص البرمجي. ويمكنك أن تطلب في المحادثة نفسها قاعدة أخرى لاختيار نقطة القطع، أو فترة ثقة بطريقة bootstrap، أو نماذج إضافية.

## حالات الاستخدام

- **دراسة دقة تشخيصية**: بيّن مدى قدرة مؤشر أو درجة تقييم على التمييز بين الحالات والشواهد، مع نقطة القطع وحساسيتها ونوعيتها.
- **ورقة بحثية عن نموذج تنبؤي**: قارن نموذجًا متعدد المتغيرات بمؤشر منفرد على أساس تنبؤات خضعت للتحقق، لا على أساس ملاءمة النموذج لبيانات التدريب.
- **فصل في أطروحة عن المؤشرات الحيوية**: أبلغ عن القدرة التمييزية مع فترات الثقة، ومع نص برمجي قابل لإعادة الإنتاج تستطيع اللجنة التحقق منه.

## أسئلة شائعة

### ما منحنى ROC، وماذا تعني قيمة AUC؟

يرسم منحنى ROC الحساسية مقابل (1 − النوعية) عند كل نقطة قطع ممكنة لدرجةٍ ما. والمساحة تحت المنحنى (AUC) هي احتمال أن تحصل حالة مختارة عشوائيًا على درجة أعلى من شاهد مختار عشوائيًا: فالقيمة 0.5 تعني الصدفة، والقيمة 1.0 تعني تمييزًا تامًا.

### لماذا التحقق المتقاطع؟

النموذج الذي يُقيَّم على البيانات نفسها التي بُني عليها يبدو أفضل مما سيكون عليه مع مرضى جدد. ولذلك يرسم Yila المنحنى من تنبؤات خارج الطيّة، فتُقيَّم كل حالة بنموذج لم يرها من قبل. ومع العينات الصغيرة جدًا ينبّه Yila إلى ذلك، ويقترح بدلًا منه تصحيح التفاؤل بطريقة bootstrap.

### كيف تُحسب فترة الثقة لقيمة AUC؟

حُسبت في المثال من 2,000 إعادة معاينة بطريقة bootstrap لتنبؤات التحقق المتقاطع (فترة مئينية)، ويذكر المخرَج ذلك صراحةً. وتتوفر طريقة DeLong إن كانت هي المعتمدة في مجالك أو المطلوبة في مجلتك.

### كيف تُختار نقطة القطع؟

تُختار افتراضيًا عند مؤشر Youden، أي النقطة التي تبلغ عندها قيمة (الحساسية + النوعية − 1) حدّها الأقصى. وإذا كانت حساسية محددة أهم لديك، كما في الفحص المسحي مثلًا، فاذكر ذلك ليحدّد لك Yila نقطة القطع التي تحققها.

### هل يمكنني مقارنة مؤشرين أو نموذجين؟

نعم. اذكرهما في طلبك فيُرسمان على المحورين نفسيهما، ولكل منهما قيمة AUC الخاصة به؛ ويمكن إضافة اختبار رسمي للفرق بينهما.

### R أم Python؟

يمكن استخدام أيٍّ منهما. استُخدمت في المثال Python مع scikit-learn؛ أما في R فيستخدم Yila الحزمة pROC.

### من أين جاءت بيانات المثال؟

من مجموعة البيانات المفتوحة Breast Cancer Wisconsin (Diagnostic)، المنشورة بترخيص CC BY 4.0 في مستودع UCI لتعلّم الآلة. ولا يستخدم Yila بيانات المستخدمين أمثلةً أبدًا.

---

- [ارسم منحنى ROC وأبلغ عن قيمة AUC كما ينبغي](https://yila.ai/ar/playbooks/roc-curve)
- [llms.txt](https://yila.ai/ar/llms.txt)
