โดยไม่คำนึงถึงโมเดลพื้นฐานเราสามารถคำนวณการแจกแจงการสุ่มตัวอย่างของ TPR และ FPR ได้ที่ขีด จำกัด นี่ก็หมายความว่าเราสามารถจำแนกลักษณะความแปรปรวนใน TPR และ FPR ที่ขีด จำกัด บางอย่างและเราสามารถกลับสู่การแลกเปลี่ยนอัตราข้อผิดพลาดที่ต้องการ
เส้นโค้ง ROC นั้นหลอกลวงเล็กน้อยเพราะสิ่งเดียวที่คุณควบคุมคือขีด จำกัด อย่างไรก็ตามพล็อตแสดง TPR และ FPR ซึ่งเป็นฟังก์ชันของเกณฑ์ นอกจากนี้ TPR และ FPR เป็นสถิติทั้งสองดังนั้นพวกเขาจึงอยู่ภายใต้ความหลากหลายของการสุ่มตัวอย่าง นี่ก็หมายความว่าถ้าคุณต้องทำซ้ำขั้นตอน (พูดโดยการตรวจสอบข้าม) คุณสามารถเกิดขึ้นกับ FPR และ TPR ที่แตกต่างกันที่ค่าเกณฑ์บางอย่างที่เฉพาะเจาะจง
อย่างไรก็ตามหากเราสามารถประเมินความแปรปรวนใน TPR และ FPR ดังนั้นไม่จำเป็นต้องทำซ้ำขั้นตอน ROC เราเพิ่งเลือกขีด จำกัด ที่จุดสิ้นสุดของช่วงความมั่นใจ (ที่มีความกว้าง) จะยอมรับได้ นั่นคือเลือกโมเดลเพื่อให้ FPR มีความน่าเชื่อถือต่ำกว่าค่าสูงสุดที่นักวิจัยระบุไว้และ / หรือ TPR นั้นมีค่าสูงกว่าค่าต่ำสุดที่นักวิจัยระบุ หากแบบจำลองของคุณไม่สามารถบรรลุเป้าหมายของคุณคุณจะต้องสร้างแบบจำลองที่ดีกว่า
แน่นอนว่าค่า TPR และ FPR ใดที่สามารถยอมรับได้ในการใช้งานของคุณจะขึ้นอยู่กับบริบท
สำหรับข้อมูลเพิ่มเติมโปรดดูROC Curves สำหรับข้อมูลอย่างต่อเนื่อง
โดย Wojtek J. Krzanowski และ David J. Hand