# ROC 곡선을 그리고 AUC를 제대로 보고하기

> 결과변수와 지표가 담긴 표를 업로드하세요. Yila가 모형을 적합하고 표본 외 예측으로 검증한 뒤, AUC와 신뢰구간을 담은 ROC 곡선을 그리고 근거를 댈 수 있는 절단값을 고릅니다.

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

## 받게 되는 결과물

- **ROC 곡선 그림** (PNG + SVG): 모형의 곡선을 비교 곡선, 우연 수준을 나타내는 대각선과 함께 그리고, 범례에 각 AUC와 95% CI를 적고, 선택한 절단값을 표시합니다.
- **성능 지표 표** (CSV): 모든 모형의 AUC와 신뢰구간, 절단값, 민감도, 특이도에 더해 예측변수별 오즈비를 정리합니다.
- **과대평가 없는 검증** (방법): 곡선을 표본 외 예측값으로 그리므로, 모형을 적합에 쓴 데이터로 평가해서 AUC가 부풀려지는 일이 없습니다.
- **스크립트** (Python 스크립트): 분석 전체를 Python(요청하면 R)으로 제공해, 보충 자료에 바로 넣을 수 있습니다.

## 진행 방식

1. **표를 업로드하고 결과변수를 알려 줍니다**: CSV 또는 Excel 파일을 Yila에게 주고, 무엇을 어떤 지표로 예측할지 알려 주세요. 지표 하나만 평가해도 됩니다.
2. **Yila가 데이터를 점검하고 검증 방법을 정합니다**: 모형을 적합하기 전에 환자군과 대조군의 수를 세고, 결측값과 척도가 크게 다른 변수가 있는지 살피고, 검증 방법을 정합니다.
3. **곡선, 수치, 스크립트를 받습니다**: ROC 그림과 성능 지표 표를 렌더링해 확인한 뒤 스크립트와 함께 저장합니다. 다른 절단값 기준, 부트스트랩 신뢰구간, 추가 모형이 필요하면 같은 대화에서 요청하세요.

## 활용 상황

- **진단 정확도 연구**: 지표나 점수가 환자군과 대조군을 얼마나 잘 구분하는지 보여 주고, 절단값과 그때의 민감도·특이도를 함께 제시합니다.
- **예측 모형 논문**: 훈련 데이터에 대한 적합도가 아니라 검증된 예측값을 기준으로 다변수 모형과 단일 지표를 비교합니다.
- **바이오마커 학위논문의 한 장**: 판별력을 신뢰구간과 함께 보고하고, 재현 가능한 스크립트로 심사위원회가 결과를 확인할 수 있게 합니다.

## 자주 묻는 질문

### ROC 곡선이란 무엇이고, AUC는 무엇을 뜻하나요?

ROC 곡선은 점수의 가능한 모든 절단값에서 민감도(세로축)와 1 − 특이도(가로축)를 그린 곡선입니다. 곡선 아래 면적(AUC)은 무작위로 고른 환자군 사례 하나가 무작위로 고른 대조군 사례 하나보다 높은 점수를 받을 확률이며, 0.5는 우연 수준, 1.0은 완벽한 구분을 뜻합니다.

### 왜 교차검증을 하나요?

적합에 쓴 데이터로 평가한 모형은 새 환자에게 적용할 때보다 성능이 좋아 보입니다. Yila는 폴드 외 예측값으로 곡선을 그리므로, 각 사례는 그 사례를 한 번도 보지 않은 모형이 평가합니다. 표본이 매우 작으면 그 사실을 알리고, 대신 부트스트랩 낙관도 보정을 제안합니다.

### AUC의 신뢰구간은 어떻게 계산하나요?

예시에서는 교차검증 예측값을 2,000번 부트스트랩 재표본추출해 구했으며(백분위수 구간), 결과물에도 그렇게 적혀 있습니다. 분야나 저널에서 DeLong 방법을 요구한다면 그 방법도 쓸 수 있습니다.

### 절단값은 어떻게 정하나요?

기본값은 민감도 + 특이도 − 1을 최대로 하는 Youden 지수입니다. 선별검사처럼 특정 민감도를 확보하는 것이 더 중요하다면 요청에 적어 주세요. Yila가 그 민감도에 이르는 절단값을 보고합니다.

### 지표 두 개나 모형 두 개를 비교할 수 있나요?

네. 요청에 이름을 적으면 같은 축에 각자의 AUC와 함께 그리며, 차이에 대한 정식 검정도 추가할 수 있습니다.

### R과 Python 중 무엇을 쓰나요?

둘 다 가능합니다. 예시는 Python의 scikit-learn을 썼고, R에서는 pROC를 사용합니다.

### 예시 데이터는 어디에서 왔나요?

UCI Machine Learning Repository에 CC BY 4.0 라이선스로 공개된 Breast Cancer Wisconsin (Diagnostic) 데이터셋입니다. Yila는 사용자의 데이터를 예시로 사용하지 않습니다.

---

- [ROC 곡선을 그리고 AUC를 제대로 보고하기](https://yila.ai/ko/playbooks/roc-curve)
- [llms.txt](https://yila.ai/ko/llms.txt)
