# 畫出 ROC 曲線，正確報告 AUC

> 上傳含結果變數與各項指標的資料表，Yila 會配適模型並做樣本外驗證，畫出附 AUC 及其信賴區間的 ROC 曲線，並選出一個說得出理由的切點。

URL: https://yila.ai/zh-TW/playbooks/roc-curve

## 你會得到

- **ROC 曲線圖** (PNG + SVG): 模型曲線、比較曲線與代表隨機猜測的對角線畫在同一張圖上，圖例中列出各自的 AUC 及其 95% 信賴區間，並標出選定的切點。
- **指標彙整表** (CSV): 每個模型的 AUC 及其信賴區間、切點、敏感度與特異度，以及各預測變數的勝算比。
- **如實的驗證** (方法): 曲線由樣本外預測值畫出，AUC 不會因為拿配適模型的同一份資料來測試而被高估。
- **分析程式碼** (Python 程式碼): 完整的 Python 分析程式碼（需要的話也可以是 R），可直接放進補充資料。

## 運作方式

1. **上傳資料表，指明結果變數**: 給 Yila 一個 CSV 或 Excel 檔，說明要預測什麼、用哪些指標來預測。只評估單一指標也可以。
2. **Yila 核對資料，規劃驗證方式**: 它會計算病例與對照的數量，檢查遺漏值和尺度差異很大的特徵，並在配適任何模型之前，先決定驗證的方式。
3. **取得曲線、數字和程式碼**: ROC 曲線圖和指標彙整表完成並檢查後，會與程式碼一起儲存。想換一種決定切點的規則、改用 bootstrap 信賴區間，或加入更多模型，在同一個對話裡提出即可。

## 適用情境

- **診斷準確性研究**: 呈現某個指標或評分區分病例與對照的能力，並附上切點及其敏感度與特異度。
- **預測模型論文**: 用經過驗證的預測值比較多變項模型與單一指標，而不是看訓練集上的配適度。
- **生物標記研究的學位論文章節**: 報告附信賴區間的區辨力，並提供口試委員可以核對的可重現程式碼。

## 常見問題

### 什麼是 ROC 曲線？AUC 代表什麼？

ROC 曲線把某個評分在每一個可能切點下的敏感度與 1 − 特異度畫成一條線。曲線下面積（AUC）是隨機抽出一個病例和一個對照時，病例得分較高的機率：0.5 等於隨機猜測，1.0 代表完全區分。

### 為什麼要做交叉驗證？

拿配適模型的同一份資料來評分，模型看起來會比實際用在新病人身上時更好。Yila 用折外預測值畫曲線，每個病例都由沒看過它的模型來評分。樣本很小時，Yila 會直接說明，並建議改用 bootstrap 樂觀偏差校正。

### AUC 的信賴區間是怎麼算的？

範例中是對交叉驗證的預測值做 2,000 次 bootstrap 重抽樣（百分位數區間），輸出中也會寫明。如果你的領域或期刊習慣用 DeLong 法，也可以改用。

### 切點怎麼決定？

預設取 Youden 指數最大處，也就是讓「敏感度 + 特異度 − 1」最大的點。如果某個固定的敏感度更重要（例如用於篩檢），請在需求中說明，Yila 會報告能達到該敏感度的切點。

### 可以比較兩個指標或兩個模型嗎？

可以。在需求中寫明，它們就會畫在同一組座標軸上，各自標出 AUC；也可以加上兩者差異的正式檢定。

### 用 R 還是 Python？

兩者皆可。範例使用 Python 的 scikit-learn；用 R 時，Yila 會使用 pROC。

### 範例資料從哪裡來？

來自公開的 Breast Cancer Wisconsin (Diagnostic) 資料集，以 CC BY 4.0 授權發布於 UCI Machine Learning Repository。Yila 從不拿使用者的資料當作範例。

---

- [畫出 ROC 曲線，正確報告 AUC](https://yila.ai/zh-TW/playbooks/roc-curve)
- [llms.txt](https://yila.ai/zh-TW/llms.txt)
