技术札记：迈向代价空间中的 ROC 曲线

基于摘要分析。本文研究 ROC 空间与代价空间之间的关系，提出 ROC Cost Curves：通过使正类预测比例等于运行条件所对应的代价比例或 skew，将 ROC 曲线转换到代价空间，以联系分类器的排序表现与不同运行条件下的期望损失。 核心机制是按预测比例选择阈值，而非仅固定分数阈值。作者报告，在文中所考虑的运行条件范围及期望损失定义下，ROC Cost Curves 的曲线下面积与 AUC 呈线性关系。作者还报告，当分类器输出分数等间隔分布时，这些曲线与 Brier Curves 相同，从而建立 AUC 与 Brier score 之间的联系。该等间隔条件不能省略，也不能据此将 AUC 与 Brier score 视为普遍等价。损失的具体定义、运行条件的积分或加权方式、推导边界及实验协议尚未验证。 平台推测（待验证）：这一评估视角可能适用于误报与漏报代价不对称的二分类 EEG/BCI 任务，但它是评估与阈值选择方法，并非神经信号建模方法。可复用部分是 ROC 到代价曲线的转换；需结合实际任务定义正类、代价比例及运行条件范围。潜在风险是低信噪比与跨被试分布变化使验证集上的预测比例和阈值关系无法稳定迁移。一个可检验的小实验是在固定被试内或跨被试划分下，使用同一分类器的独立测试集分数核对面积关系，并单独评估验证集确定的阈值在测试集上的损失；测试标签仅用于评估。已有 EEG 相关应用尚未检索确认。