# ROC eğrisini çizin ve AUC'yi doğru biçimde raporlayın

> Sonuç değişkenini ve belirteçleri içeren bir tablo yükleyin. Yila modeli kurar, örneklem dışında doğrular, ROC eğrisini AUC ve güven aralığıyla çizer ve savunabileceğiniz bir kesim noktası seçer.

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

## Neler alırsınız

- **ROC şekli** (PNG + SVG): Modelin eğrisi, bir karşılaştırma eğrisi ve şans çizgisi bir arada; her AUC değeri %95 GA ile birlikte lejantta yer alır ve seçilen kesim noktası işaretlenir.
- **Performans ölçütleri tablosu** (CSV): Her model için güven aralığıyla AUC, kesim noktası, duyarlılık ve özgüllük; ayrıca yordayıcıların odds oranları.
- **Dürüst doğrulama** (Yöntem): Eğri örneklem dışı tahminlerden çizilir; model kurulduğu verilerle test edilmediği için AUC şişirilmiş olmaz.
- **Betik** (Python betiği): Analizin tamamı Python ile (isterseniz R ile); ek materyalinize eklemeye hazır.

## Nasıl çalışır

1. **Tabloyu yükleyin ve sonuç değişkenini belirtin**: Yila'ya bir CSV veya Excel dosyası verin; neyin, hangi belirteçlerden tahmin edileceğini söyleyin. Tek başına bir belirteç de olur.
2. **Yila verileri kontrol eder ve doğrulamayı planlar**: Vaka ve kontrol sayılarını hesaplar, eksik değerleri ve ölçekleri birbirinden çok farklı özellikleri arar ve herhangi bir model kurmadan önce doğrulamanın nasıl yapılacağına karar verir.
3. **Eğriyi, sayıları ve betiği alın**: ROC şekli ve performans ölçütleri tablosu oluşturulur, kontrol edilir ve betikle birlikte kaydedilir. Başka bir kesim noktası kuralı, bootstrap güven aralığı ya da daha fazla model isterseniz aynı sohbette söyleyin.

## Kullanım alanları

- **Tanısal doğruluk çalışması**: Bir belirtecin ya da skorun vakaları kontrollerden ne kadar iyi ayırdığını, kesim noktası ve buna karşılık gelen duyarlılık ve özgüllükle gösterin.
- **Tahmin modeli makalesi**: Çok değişkenli bir modeli tek bir belirteçle, eğitim setindeki uyum yerine doğrulanmış tahminler üzerinden karşılaştırın.
- **Biyobelirteç üzerine bir tez bölümü**: Ayırt ediciliği güven aralıklarıyla ve jürinin kontrol edebileceği yeniden üretilebilir bir betikle raporlayın.

## Sık sorulan sorular

### ROC eğrisi nedir, AUC ne anlama gelir?

ROC eğrisi, bir skorun olası her kesim noktasında duyarlılığı 1 − özgüllüğe karşı çizer. Eğrinin altında kalan alan (AUC), rastgele seçilen bir vakanın rastgele seçilen bir kontrolden daha yüksek skor alma olasılığıdır: 0.5 şansa, 1.0 kusursuz ayrıma karşılık gelir.

### Neden çapraz doğrulama?

Kurulduğu verilerle puanlanan bir model, yeni hastalarda olacağından daha iyi görünür. Yila eğriyi kat dışı tahminlerden çizer; böylece her vaka, onu hiç görmemiş bir model tarafından puanlanır. Örneklem çok küçükse Yila bunu belirtir ve bunun yerine bootstrap ile iyimserlik düzeltmesi önerir.

### AUC'nin güven aralığı nasıl hesaplanır?

Örnekte, çapraz doğrulanmış tahminlerin 2,000 bootstrap yeniden örneklemi üzerinden (yüzdelik aralık) hesaplandı ve çıktıda bu belirtiliyor. Alanınız ya da derginiz bekliyorsa DeLong yöntemi de kullanılabilir.

### Kesim noktası nasıl seçilir?

Varsayılan olarak duyarlılık + özgüllük − 1 değerini en büyük yapan Youden indeksine göre. Örneğin tarama için olduğu gibi sabit bir duyarlılık daha önemliyse bunu belirtin; Yila o duyarlılığı sağlayan kesim noktasını raporlar.

### İki belirteci ya da iki modeli karşılaştırabilir miyim?

Evet. İsteğinizde belirtin; her biri kendi AUC değeriyle aynı eksenler üzerinde çizilir. Aradaki farkı sınayan formal bir test de eklenebilir.

### R mi, Python mı?

İkisi de olur. Örnekte scikit-learn ile Python kullanıldı; R'da Yila pROC kullanır.

### Örnek veriler nereden geliyor?

UCI Machine Learning Repository'de CC BY 4.0 lisansıyla yayımlanan açık Breast Cancer Wisconsin (Diagnostic) veri setinden. Yila kullanıcıların verilerini asla örnek olarak kullanmaz.

---

- [ROC eğrisini çizin ve AUC'yi doğru biçimde raporlayın](https://yila.ai/tr/playbooks/roc-curve)
- [llms.txt](https://yila.ai/tr/llms.txt)
