TROC 곡선과 정확도 측도들 (TROC curve and accuracy measures)

서지정보

· 발행기관 : 한국데이터정보과학회
· 수록지 정보 : 한국데이터정보과학회지 / 29권 / 4호 / 861 ~ 872페이지
· 저자명 : 홍종선, 이수진

초록

ROC 곡선은 성과를 바탕으로 분류자를 시각화하여 정확도를 평가할 수 있는 유용한 방법이지만, 두 집단의 표본크기가 반영되지 않으므로 표본크기의 불균형정도가 심한 경우에 분류자의 성과를 평가하는데 문제점이 발생한다. 이러한 단점을 보완하기 위해 TOC 곡선이 제안되었다. TOC 곡선은 평행사변형으로 구현되므로 분류자의 성능을 비교하고 설명하기가 쉽지 않다. 본 연구에서는 ROC 곡선의 유용성을 유지하면서 표본의 불균형정도까지도 표현 가능하며, TOC 곡선의 단점을 극복하는 TROC 곡선을 제안한다. TROC 곡선을 이용하면 분류결과에 대한 정보를 간단하고 쉽게 파악할 수 있는 장점이 있다. 그리고 ROC 곡선과 유사하게 TROC 곡선에서 다양한 정확도 측도들을 설명하며, TOC 곡선보다 우수하게 표현할 수 있다. 모의실험과 실증 자료를 통해 TROC 곡선은 불균형한 자료를 시각화하고 ROC와 TOC 곡선보다 많은 정보를 간편하고 쉽게 설명할 수 있음을 토론한다.

영어초록

ROC curve is a useful graphical method to visualize the classifier based on performance and evaluate its accuracy. Since ROC curve does not reflect sample sizes of the two groups, there is a problem in evaluating the classifier’s performance when the samples are imbalanced severely. TOC curve was proposed to overcome these shortcomings. But it is difficult to compare and describe the performance of the classifier since TOC curve is implemented as a parallelogram. In this study, we propose TROC curve that overcomes the disadvantages of TOC curve. Also TROC curve could preserve the usefulness of ROC curve and express the degree of imbalance of the sample. By using TROC curve, it is possible to grasp the information on the classification result more easily. Various accuracy measures are described based on TROC curve similar to ROC curve, and can be expressed better than TOC curve. Through simulation and illustrative examples, we discuss that TROC curve can visualize and identify imbalanced data, and can explain more information than ROC and TOC curves easily.

참고자료

· 없음