ROC- und Precision-Recall-Explorer

Binäre Klassifikatoren vergleichen und eine Entscheidungsschwelle wählen. Höhere Scores müssen eher positiv bedeuten; Wahrscheinlichkeiten sind nicht erforderlich.

Eingabe: genau zwei Spalten score,label, ein Fall pro Datensatz. Komma, Semikolon, Tab und Pipe werden erkannt. Dezimalkommas mit Semikolon, Tab oder einem in Anführungszeichen gesetzten Score verwenden. Labels: 1/0, true/false, yes/no, pos/neg, deren einzelne Anfangsbuchstaben sowie positive/negative. Die Kopfzeilenoption nur aktivieren, wenn der erste Datensatz eine Kopfzeile ist. Leerzeilen werden ignoriert; fehlerhafte Datensätze und Eingaben über 20.000 Fälle oder 1 MiB werden vollständig abgewiesen. Import füllt den Editor; Analysieren berechnet. Bearbeiten entfernt alte Ergebnisse.

Kurven: gleiche Scores werden gemeinsam verarbeitet. ROC-AUC wird mit Trapezen berechnet und entspricht dem Anteil richtig geordneter Positiv-/Negativ-Paare, mit halber Wertung bei Gleichstand. Average Precision (AP) = Σ ΔRecall × Präzision je Score-Gruppe, keine trapezförmige PR-AUC. Das PR-Diagramm verwendet diese Stufenkonvention. Alle Arbeitspunkte werden gezeichnet; SVG-Koordinaten werden auf Darstellungs-Pixel gerundet. Die Grundlinien zeigen Zufall bei ROC und Prävalenz bei PR. Der orange Punkt folgt dem Schieber. Ohne positive Vorhersagen ist die Präzision undefiniert (—); der PR-Punkt verwendet den üblichen Endpunkt (0,1).

Schwelle: positiv bei Score ≥ Schwelle. Scores werden ohne Verlust signifikanter Stellen angezeigt. Vorgabe ist maximales F1. Vorschläge maximieren F1 oder Youden’s J, minimieren den quadrierten ROC-Abstand zu (0,1) oder (FP-Kosten × FP + FN-Kosten × FN) / Fallzahl. Bei Gleichstand gewinnt der erste Punkt, also die höchste Schwelle einschließlich keiner positiven Vorhersagen. Kosten müssen endlich, nichtnegativ und ≤ 10¹² sein. Ungültige Kosten unterdrücken nur das Kostenergebnis und den Kostenvorschlag.

Kennzahlen: Recall = TP/(TP+FN), Präzision = TP/(TP+FP), FPR = FP/(FP+TN), Spezifität = 1−FPR, F1 = 2TP/(2TP+FP+FN). Weitere Kennzahlen enthält Prävalenz, NPV, Genauigkeit, balancierte Genauigkeit, MCC und Youden’s J. Undefinierte Präzision oder NPV erscheint als —; F1 und MCC verwenden bei Nenner null den Wert null.

Beispiel: 0.9,1 / 0.8,0 / 0.7,1 / 0.2,0: AUC 0,75, AP 5/6; Schwelle 0,7 ergibt TP 2, FP 1, FN 0, TN 1 und F1 0,8. Beispiele sind synthetische Gauß-Populationen, logistisch transformiert und auf vier Nachkommastellen gerundet.

Export: CSV enthält jede Schwelle, Konfusionszahlen, Recall, FPR, Präzision und F1 mit voller JavaScript-Präzision. Leere Schwelle bedeutet keine positiven Vorhersagen; leere Präzision ist undefiniert. Keine Beobachtungen werden hochgeladen.

Grenzen: binäre, ungewichtete Fälle; keine Konfidenzintervalle oder Kalibrierungsbewertung. Schwellen anhand von Validierungsdaten wählen und auf unabhängigen Testdaten bestätigen. Optimierung und Bewertung auf denselben Fällen liefert optimistische Ergebnisse. ROC und PR ergänzen sich besonders bei seltenen positiven Fällen.

Nur Eingabewerte bleiben in diesem Browser erhalten. Berechnete Ergebnisse und Versuchsverläufe werden nicht gespeichert.