آمارکده

اصول مقاله نویسی
┏━━━━━
🌐 @Amar_kadeh 📖✍️
┗━━━━━━━━━━

1.2K viewsedited 08:54

مثال عددی : 🔹 تفاوت میانگین (Mean Difference) میانگین قند خون در گروه دارو 110 و در گروه پلاسبو 125؛ تفاوت میانگین = 15 واحد. یعنی دارو قند رو ۱۵ واحد کمتر کرده! 🍬 🔹 نسبت خطر (Risk Ratio - RR) در گروه دارو 10 نفر از 100 نفر دچار سکته شدن (10%)، در کنترل…

منحنی ROC

🔮 نکته جذاب:

📢 منحنی ROC، داستان موفقیت یک تشخیصگر را به ما می‌گوید!

🔹 به زبون ساده:
📌 این منحنی نشون می‌ده که یک مدل چقدر خوب می‌تونه دسته‌ها رو از هم تشخیص بده.
📌 مثل یه آزمون تست هوش برای مدل‌های AI! 🤖💡

🧠 چطور کار می‌کنه؟

🔬 فرض کن یه مدل پزشکی داری که بفهمه آیا یه بیمار سرطان داره یا نه؟

👩‍⚕️ مدل یه عدد بین 0 و 1 برمی‌گردونه:
✅ 0 = قطعاً سالم
❌ 1 = قطعاً بیمار
❓ 0.5 = مطمئن نیست

🔹 حالا می‌خواهیم بدونیم:
🤔 با چه آستانه‌ای می‌تونیم بیماری رو درست تشخیص بدیم؟

📈 منحنی ROC به ما کمک می‌کنه:
🔹 تمام آستانه‌ها رو تست کنیم
🔹 ببینیم در هر آستانه، چقدر مدل ما درست تشخیص می‌ده 🎯
🔹 و چقدر اشتباه می‌کنه 🚫

📊 دو محور منحنی ROC:

🔹 محور X 📉: نرخ خطای مثبت (False Positive Rate) 🏥 یعنی درصد افراد سالمی که اشتباهی بیمار شمرده شدن.
🔹 محور Y 📈: نرخ تشخیص صحیح (True Positive Rate) یعنی درصد افراد بیماری که درست تشخیص داده شدن.

🔹 هر چی نرخ تشخیص صحیح بالاتر و نرخ خطای مثبت پایین‌تر باشه، مدل بهتره! ✔️

📈 چه شکلی؟

📝 منحنی ROC یه خط تو نمودار داره که از 📍(0,0) تا (1,1) حرکت می‌کنه.
📊 هر چی این منحنی بالاتر از خط وسط (که یعنی تصادفی) باشه، مدل بهتره!

⚡️ عدد AUC (Area Under Curve):
🔹 0.5 = مدل فقط حدس می‌زنه 🤷‍♂️
🔹 1 = مدل عالی 🤩
🔹 بالای 0.7 = خوب 😊
🔹 بالای 0.8 = خیلی خوب 😃
🔹 بالای 0.9 = فوق‌العاده خوب! 🚀

🧪 مثال عملی:

🏥 موقعیت: تو یه آزمایشگاه هستی و یه تست سریع تشخیص کرونا طراحی کردی.
🔬 حالا می‌خوای بفهمی چقدر این تست خوب عمل می‌کنه.

👨‍⚕️ تست رو روی ۱۰۰ نفر انجام دادی:
🔹 ۵۰ نفر بیمار بودن 😷
🔹 ۵۰ نفر سالم بودن 😊

مدل تو یه نمره به هر نفر داده:
⚠️ اگر نمره بیشتر از 0.6 بود → بیمار
✅ اگر کمتر از 0.6 بود → سالم

🔹 اما الان می‌خوای بدونی:
🔍 آیا این آستانه 0.6 بهترین انتخابه؟ یا می‌تونیم بهترش کنیم؟

📊 منحنی ROC بهت نشون می‌ده:
🔸 اگر آستانه رو 0.3 بذاری، حساسیت بالاتر می‌ره ولی خطای مثبت بیشتر می‌شه ⚠️
🔸 اگر آستانه رو 0.8 بذاری، خطای مثبت کم می‌شه ولی ممکنه بیمارای واقعی رو از دست بدی 😞

📢 منحنی ROC بهت می‌گه بهترین تعادل کجاست؟ و مدل تو چقدر قویه؟ 💪

💡 نکته ضد شهودی:

🚨 حتی اگر یه مدل ۹۰٪ دقت داشته باشه، ممکنه منحنی ROC نشون بده که ضعیف عمل می‌کنه!

🔹 چرا؟
📌 اگر داده‌ها نامتعادل باشن (مثلاً فقط 5٪ بیمار داشته باشی)، دقت (Accuracy) گمراه‌کننده است.
✅ اما منحنی ROC این مشکل رو نداره — چون به همه تصمیم‌ها نگاه می‌کنه، نه فقط درصد درستی.

🧠 چرا منحنی ROC مهمه؟

✔️ می‌تونی دو مدل مختلف رو با هم مقایسه کنی 📊
✔️ تعادل بین حساسیت و خطای مثبت رو پیدا می‌کنی ⚖️
✔️ بدون نیاز به دقت عددی هم کار می‌کنه 🔍
✔️ کاربردهای گسترده‌ای در پزشکی، هوش مصنوعی، فیلتر هرزنامه و اعتبارسنجی داره 🚀

🎯 نکته آخر:

🗺 منحنی ROC یه نقشه برای مدل‌های تصمیم‌گیری است!
📢 هر چی این نقشه واضح‌تر باشه، می‌تونیم بهترین تصمیم رو در شرایط مختلف بگیریم!

┏━━━━━
🌐 @Amar_kadeh 📖✍️
┗━━━━━━━━━━

2.1K viewsNajimi Alireza, 11:43