# วาดเส้นโค้ง ROC และรายงานค่า AUC ให้ถูกต้อง

> อัปโหลดตารางที่มีผลลัพธ์และตัวบ่งชี้ แล้ว Yila จะสร้างแบบจำลอง ประเมินกับข้อมูลที่แบบจำลองไม่เคยเห็น วาดเส้นโค้ง ROC พร้อมค่า AUC และช่วงความเชื่อมั่น และเลือกจุดตัดที่คุณอธิบายเหตุผลได้

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

## สิ่งที่คุณจะได้รับ

- **รูปเส้นโค้ง ROC** (PNG + SVG): เส้นโค้งของแบบจำลองเทียบกับเส้นโค้งเปรียบเทียบและเส้นการทายแบบสุ่ม โดยมีค่า AUC และ 95% CI ของแต่ละเส้นในคำอธิบายสัญลักษณ์ และทำเครื่องหมายจุดตัดที่เลือก
- **ตารางตัวชี้วัด** (CSV): ค่า AUC พร้อมช่วงความเชื่อมั่น จุดตัด ความไว และความจำเพาะของทุกแบบจำลอง รวมถึงอัตราส่วนออดส์ของตัวแปรทำนาย
- **การตรวจสอบที่ตรงไปตรงมา** (วิธีการ): เส้นโค้งวาดจากค่าทำนายนอกตัวอย่าง ค่า AUC จึงไม่สูงเกินจริงจากการทดสอบแบบจำลองกับข้อมูลชุดเดียวกับที่ใช้สร้าง
- **สคริปต์** (สคริปต์ Python): การวิเคราะห์ทั้งหมดเป็นภาษา Python (หรือ R หากต้องการ) พร้อมใส่ในเอกสารเสริม

## ขั้นตอนการทำงาน

1. **อัปโหลดตารางและระบุผลลัพธ์**: ส่งไฟล์ CSV หรือ Excel ให้ Yila แล้วบอกว่าจะทำนายอะไรและใช้ตัวบ่งชี้ใด ใช้ตัวบ่งชี้เพียงตัวเดียวก็ได้
2. **Yila ตรวจข้อมูลและวางแผนการตรวจสอบ**: Yila นับจำนวนรายในกลุ่มผู้ป่วยและกลุ่มควบคุม ตรวจหาค่าที่ขาดหายและคุณลักษณะที่มีสเกลต่างกันมาก แล้วกำหนดวิธีตรวจสอบก่อนเริ่มสร้างแบบจำลอง
3. **รับเส้นโค้ง ตัวเลข และสคริปต์**: Yila สร้างรูป ROC และตารางตัวชี้วัด ตรวจทาน แล้วบันทึกพร้อมสคริปต์ หากต้องการเกณฑ์เลือกจุดตัดแบบอื่น ช่วงความเชื่อมั่นแบบ bootstrap หรือเพิ่มแบบจำลอง ขอได้ในบทสนทนาเดียวกัน

## เหมาะสำหรับ

- **การศึกษาความแม่นยำของการวินิจฉัย**: แสดงว่าตัวบ่งชี้หรือคะแนนแยกผู้ป่วยออกจากกลุ่มควบคุมได้ดีเพียงใด พร้อมจุดตัดและความไวกับความจำเพาะที่จุดตัดนั้น
- **บทความแบบจำลองทำนาย**: เปรียบเทียบแบบจำลองหลายตัวแปรกับตัวบ่งชี้เดี่ยวบนค่าทำนายที่ผ่านการตรวจสอบแล้ว ไม่ใช่ความสอดคล้องกับชุดข้อมูลที่ใช้ฝึก
- **บทวิทยานิพนธ์เรื่องตัวบ่งชี้ทางชีวภาพ**: รายงานความสามารถในการจำแนกพร้อมช่วงความเชื่อมั่น และสคริปต์ที่ทำซ้ำได้ซึ่งคณะกรรมการสอบตรวจสอบได้

## คำถามที่พบบ่อย

### เส้นโค้ง ROC คืออะไร และค่า AUC หมายถึงอะไร

เส้นโค้ง ROC แสดงความไวเทียบกับ 1 − ความจำเพาะ ที่ทุกจุดตัดที่เป็นไปได้ของคะแนน พื้นที่ใต้เส้นโค้ง (AUC) คือความน่าจะเป็นที่ผู้ป่วยหนึ่งรายที่สุ่มเลือกจะได้คะแนนสูงกว่าผู้ที่อยู่ในกลุ่มควบคุมหนึ่งรายที่สุ่มเลือก ค่า 0.5 เท่ากับการทายแบบสุ่ม และ 1.0 คือการแยกได้สมบูรณ์

### ทำไมต้องตรวจสอบไขว้

แบบจำลองที่ประเมินด้วยข้อมูลชุดเดียวกับที่ใช้สร้างจะดูดีกว่าผลที่จะได้จริงกับผู้ป่วยใหม่ Yila วาดเส้นโค้งจากค่าทำนายนอกส่วน (out-of-fold) แต่ละรายจึงได้คะแนนจากแบบจำลองที่ไม่เคยเห็นข้อมูลของรายนั้น หากตัวอย่างมีขนาดเล็กมาก Yila จะแจ้งให้ทราบ และเสนอให้ปรับแก้ความลำเอียงเชิงบวก (optimism) ด้วย bootstrap แทน

### ช่วงความเชื่อมั่นของค่า AUC คำนวณอย่างไร

ในตัวอย่างนี้คำนวณจากการสุ่มซ้ำแบบ bootstrap 2,000 ครั้งของค่าทำนายจากการตรวจสอบไขว้ (ช่วงแบบเปอร์เซ็นไทล์) และระบุไว้ในผลลัพธ์ หากสาขาหรือวารสารของคุณนิยมวิธีของ DeLong ก็ใช้วิธีนั้นได้

### เลือกจุดตัดอย่างไร

ค่าเริ่มต้นใช้ดัชนี Youden ซึ่งเลือกจุดที่ทำให้ความไว + ความจำเพาะ − 1 มีค่าสูงสุด หากความไวระดับหนึ่งที่กำหนดไว้สำคัญกว่า เช่น ในการคัดกรอง ให้ระบุไว้ แล้ว Yila จะรายงานจุดตัดที่ได้ความไวตามนั้น

### เปรียบเทียบตัวบ่งชี้สองตัวหรือแบบจำลองสองแบบได้ไหม

ได้ ระบุไว้ในคำขอ แล้วเส้นโค้งทั้งหมดจะวาดบนแกนเดียวกันพร้อมค่า AUC ของแต่ละเส้น และเพิ่มการทดสอบความแตกต่างอย่างเป็นทางการได้

### ใช้ R หรือ Python

ใช้ได้ทั้งสองภาษา ตัวอย่างนี้ใช้ Python กับ scikit-learn ส่วนใน R นั้น Yila ใช้ pROC

### ข้อมูลในตัวอย่างมาจากไหน

มาจากชุดข้อมูลเปิด Breast Cancer Wisconsin (Diagnostic) ซึ่งเผยแพร่ภายใต้สัญญาอนุญาต CC BY 4.0 บน UCI Machine Learning Repository ทั้งนี้ Yila ไม่เคยนำข้อมูลของผู้ใช้มาใช้เป็นตัวอย่าง

---

- [วาดเส้นโค้ง ROC และรายงานค่า AUC ให้ถูกต้อง](https://yila.ai/th/playbooks/roc-curve)
- [llms.txt](https://yila.ai/th/llms.txt)
