Pour les articles homonymes, voirROC.
Cet article est uneébauche concernant lesprobabilités et lastatistique.
Vous pouvez partager vos connaissances en l’améliorant (comment ?) selon les recommandations desprojets correspondants.
Consultez la liste destâches à accomplir enpage de discussion.
Lafonction d’efficacité du récepteur, plus fréquemment désignée sous le terme « courbe ROC[1] » (de l’anglaisreceiver operating characteristic, pour « caractéristique de fonctionnement du récepteur ») dite aussicaractéristique de performance (d'un test) oucourbe sensibilité/spécificité, est unemesure de laperformance d'unclassificateur binaire, c'est-à-dire d'un système qui a pour objectif de catégoriser des éléments en deux groupes distincts sur la base d'une ou plusieurs des caractéristiques de chacun de ces éléments. Graphiquement, onreprésente souvent la mesure ROC sous la forme d'unecourbe qui donne le taux devrais positifs (fraction des positifs qui sont effectivement détectés) en fonction du taux defaux positifs (fraction des positifs qui sont incorrectement détectés).
Les courbes ROC furent inventées pendant laSeconde Guerre mondiale pour montrer la séparation entre lessignauxradar et lebruit de fond.[réf. nécessaire]
Elles sont souvent utilisées enstatistiques pour montrer les progrès réalisés grâce à unclassificateur binaire lorsque leseuil de discrimination varie. Si le modèle calcule un scores qui est comparé au seuilS pour prédire la classe ([s ≥S] = positif et [s <S] = négatif, généralement), et qu’on compare ensuite avec les classes positif et négatif réelles, lasensibilité est donnée par le taux de positifs réels classés positifs, et l’antispécificité (1 moins laspécificité) par le taux de négatifs réels classés positifs. On met l’antispécificité en abscisse et la sensibilité en ordonnée pour former la courbe ROC. Chaque valeur deS fournit un point de la courbe, qui croit (non-strictement) de (0, 0) à (1, 1).
Dans lathéorie de la détection du signal, les grandeursd' etA' mesurent l'aire sous la courbe ROC. Plus cette aire est grande, plus la courbe s’écarte de la ligne du classificateur aléatoire et se rapproche du coude du classificateur idéal (qui passe de (0, 0) à (0, 1) à (1, 1)).
L'intérêt de la courbe ROC dans le domaine médical a été souligné dès 1960. Depuis, cet outil statistique a été utilisé notamment dans le domaine pharmaceutique, en radiologie et en biologie. La courbe ROC s’est imposée en biologie clinique depuis plusieurs années. Elle permet la détermination et la comparaison des performances diagnostiques de plusieurs tests à l’aide de l’évaluation des aires sous la courbe. Elle est aussi utilisée pour estimer la valeur seuil optimale d’un test en tenant compte des données épidémiologiques et médico-économiques de la maladie[2].
