ROC-Kurve
In diesem Beitrag
Was versteht man unter der ROC-Kurve?
Die ROC-Kurve (Receiver Operating Characteristic Curve) ist ein grafisches Instrument zur Bewertung der Güte eines binären Klassifikationsmodells. Sie zeigt, wie gut ein Modell zwischen zwei Klassen – typischerweise „positiv“ und „negativ“ – unterscheiden kann, und zwar über alle möglichen Entscheidungsschwellen (Cutoff-Werte) hinweg.
Die Kurve wird in einem zweidimensionalen Koordinatensystem dargestellt. Auf der y-Achse liegt die Sensitivität (auch: True Positive Rate, TPR), auf der x-Achse die 1 − Spezifität (auch: False Positive Rate, FPR):
Sensitivität (TPR)
False Positive Rate (FPR)
Jeder Punkt auf der ROC-Kurve entspricht einem bestimmten Cutoff-Wert. Je weiter die Kurve in die linke obere Ecke des Diagramms gedrückt ist, desto besser ist die Trennleistung des Modells. Ein Modell, das zufällig rät, erzeugt eine diagonale Linie von der unteren linken zur oberen rechten Ecke.
Als zusammenfassendes Gütemaß wird häufig die AUC (Area Under the Curve) berechnet – also die Fläche unter der ROC-Kurve. Sie liegt zwischen 0 und 1, wobei ein Wert von 0,5 einem zufälligen Modell entspricht und ein Wert von 1,0 einer perfekten Klassifikation.
Warum ist die ROC-Kurve für statistische Analysen wichtig?
Klassifikationsmodelle liefern oft keine direkte Ja/Nein-Entscheidung, sondern eine Wahrscheinlichkeit oder einen Score. Wie gut ein Modell wirklich ist, hängt davon ab, bei welchem Schwellenwert man diese Wahrscheinlichkeit in eine Entscheidung umwandelt. Die ROC-Kurve macht diese Abhängigkeit sichtbar und ermöglicht so einen fairen, schwellenwertunabhängigen Modellvergleich.
Besonders wichtig ist die ROC-Analyse in folgenden Situationen:
- Ungleich verteilte Klassen: Wenn eine Klasse viel seltener vorkommt als die andere (z. B. Betrugsfälle), ist die bloße Trefferquote (Accuracy) ein schlechtes Gütemaß. Die AUC ist davon weniger beeinflusst.
- Modellvergleich: Zwei oder mehr Klassifikationsmodelle lassen sich über ihre AUC-Werte direkt gegenüberstellen.
- Schwellenwertauswahl: Mithilfe der ROC-Kurve lässt sich gezielt ein Cutoff wählen, der dem jeweiligen Anwendungskontext gerecht wird – etwa wenn falsche Negative teurer sind als falsche Positive.
Praxisbeispiel zur ROC-Kurve
Ein Forschungsteam entwickelt ein Modell, das auf Basis von Blutmarkern vorhersagen soll, ob eine Person an Diabetes erkrankt ist. Das Modell gibt für jede Person einen Score zwischen 0 und 1 aus. Anhand einer Testkohorte werden bei verschiedenen Cutoffs die Sensitivität und die FPR berechnet:
| Cutoff | Sensitivität (TPR) | False Positive Rate (FPR) |
|---|---|---|
| 0,9 | 0,30 | 0,02 |
| 0,7 | 0,62 | 0,10 |
| 0,5 | 0,80 | 0,20 |
| 0,3 | 0,91 | 0,38 |
| 0,1 | 0,97 | 0,65 |
Diese Wertepaare ergeben zusammen die ROC-Kurve. Die berechnete AUC beträgt in diesem Beispiel 0,88 – ein guter Wert, der darauf hindeutet, dass das Modell Kranke und Gesunde deutlich besser trennt als ein zufälliges Modell. Das Team entscheidet sich für einen Cutoff von 0,5, da hier eine hohe Sensitivität von 80 % erreicht wird, ohne die Falsch-Positiv-Rate übermäßig zu erhöhen.
