Le compromis entre l'efficacité du signal et le rejet du bruit de fond lorsque la coupure est déplacée.Une courbe ROC (caractéristique de fonctionnement du récepteur) est un graphique qui illustre la capacité diagnostique d'un classificateur binaire lorsque son seuil de discrimination varie. Elle trace le taux de vrais positifs (sensibilité) en fonction du taux de faux positifs (1 - spécificité) pour différents réglages du seuil. La courbe montre le compromis entre la détection des signaux réels (efficacité) et le rejet du bruit de fond (rejet). L'aire sous la courbe ROC (AUC) est une mesure scalaire unique de la performance globale du classificateur, indépendante du choix du seuil.
Développée pendant la Seconde Guerre mondiale pour la détection des signaux radar, elle a ensuite été adoptée en psychologie, en médecine et en apprentissage automatique.
Pour chaque valeur de seuil possible du score de sortie du classificateur, on calcule le taux de vrais positifs et le taux de faux positifs. Le tracé de ces points donne la courbe ROC. Un classificateur parfait a une AUC de 1, tandis qu'un classificateur aléatoire a une AUC de 0,5. La courbe permet de choisir un seuil qui équilibre sensibilité et spécificité selon les besoins de l'application—par exemple, en physique des particules, on peut vouloir un rejet élevé du bruit de fond même au prix d'une efficacité de signal plus faible.
Utilisée en diagnostic médical pour évaluer les tests de dépistage, en apprentissage automatique pour comparer les classificateurs, et en physique des particules pour optimiser les sélections d'événements.
La courbe ROC est invariante par transformations monotones du score de sortie du classificateur, ce qui signifie qu'elle ne dépend que du classement des scores, et non de leurs valeurs absolues.
