# Tracez une courbe ROC et rapportez correctement l’AUC

> Importez un tableau avec le critère de jugement et les marqueurs. Yila ajuste le modèle, le valide hors échantillon, trace la courbe ROC avec l’AUC et son intervalle de confiance, et choisit un seuil que vous pourrez justifier.

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

## Ce que vous obtenez

- **La figure ROC** (PNG + SVG): La courbe du modèle face à une courbe de comparaison et à la diagonale du hasard, avec chaque AUC et son IC à 95 % dans la légende, et le seuil retenu signalé.
- **Le tableau des indicateurs** (CSV): AUC avec intervalle de confiance, seuil, sensibilité et spécificité pour chaque modèle, ainsi que les odds ratios des prédicteurs.
- **Une validation honnête** (Méthode): La courbe est tracée à partir de prédictions hors échantillon : l’AUC n’est donc pas gonflée par un test du modèle sur les données qui ont servi à l’ajuster.
- **Le script** (Script Python): L’analyse complète en Python (ou en R sur demande), prête pour votre matériel supplémentaire.

## Les étapes

1. **Importez le tableau et nommez le critère de jugement**: Donnez à Yila un fichier CSV ou Excel et indiquez ce qu’il faut prédire et à partir de quels marqueurs. Un marqueur seul convient aussi.
2. **Yila vérifie les données et prévoit la validation**: Il compte les cas et les témoins, recherche les valeurs manquantes et les variables sur des échelles très différentes, et choisit la méthode de validation avant tout ajustement.
3. **Récupérez la courbe, les chiffres et le script**: La figure ROC et le tableau des indicateurs sont générés, vérifiés, puis enregistrés avec le script. Demandez une autre règle de choix du seuil, un IC par bootstrap ou d’autres modèles dans la même conversation.

## Utile pour

- **Une étude de performance diagnostique**: Montrez dans quelle mesure un marqueur ou un score distingue les cas des témoins, avec le seuil retenu, sa sensibilité et sa spécificité.
- **Un article sur un modèle de prédiction**: Comparez un modèle multivarié à un marqueur seul sur des prédictions validées plutôt que sur l’ajustement aux données d’apprentissage.
- **Un chapitre de thèse sur un biomarqueur**: Rapportez la discrimination avec ses intervalles de confiance et un script reproductible que le jury peut vérifier.

## Questions fréquentes

### Qu’est-ce qu’une courbe ROC et que signifie l’AUC ?

Une courbe ROC représente la sensibilité en fonction de 1 − spécificité pour chaque seuil possible d’un score. L’aire sous la courbe (AUC) est la probabilité qu’un cas tiré au hasard obtienne un score plus élevé qu’un témoin tiré au hasard : 0,5 correspond au hasard, 1,0 à une séparation parfaite.

### Pourquoi une validation croisée ?

Un modèle évalué sur les données mêmes qui ont servi à l’ajuster paraît meilleur qu’il ne le sera sur de nouveaux patients. Yila trace la courbe à partir de prédictions hors bloc : chaque cas est évalué par un modèle qui ne l’a jamais vu. Avec de très petits échantillons, il le signale et propose plutôt une correction de l’optimisme par bootstrap.

### Comment l’intervalle de confiance de l’AUC est-il calculé ?

Dans l’exemple, à partir de 2 000 rééchantillonnages bootstrap des prédictions en validation croisée (intervalle des percentiles), ce que précisent les résultats. La méthode de DeLong est disponible si votre discipline ou votre revue l’attend.

### Comment le seuil est-il choisi ?

Par défaut, au seuil qui maximise l’indice de Youden, soit sensibilité + spécificité − 1. Si une sensibilité fixe compte davantage, pour un dépistage par exemple, précisez-le et Yila indique le seuil qui permet de l’atteindre.

### Puis-je comparer deux marqueurs ou deux modèles ?

Oui. Nommez-les dans la demande : ils sont tracés sur les mêmes axes, chacun avec son AUC, et un test formel de la différence peut être ajouté.

### R ou Python ?

Les deux. L’exemple a été réalisé en Python avec scikit-learn ; en R, Yila utilise pROC.

### D’où viennent les données de l’exemple ?

Du jeu de données ouvert Breast Cancer Wisconsin (Diagnostic), publié sous licence CC BY 4.0 sur l’UCI Machine Learning Repository. Yila n’utilise jamais les données de ses utilisateurs comme exemples.

---

- [Tracez une courbe ROC et rapportez correctement l’AUC](https://yila.ai/fr/playbooks/roc-curve)
- [llms.txt](https://yila.ai/fr/llms.txt)
