سطح زیر منحنی راک یک معیار مرسوم برای ارزیابی عملکرد طبقه‌بندی بیومارکر‌ها است. در عمل یک بیومارکر قدرت طبقه‌بندی محدودی دارد لذا برای بهبود عملکرد طبقه‌بندی، علاقه‌مند به ترکیب مقادیر مربوط به بیومارکر‌ها به صورت خطی و غیرخطی هستیم در این مطالعه ضمن معرفی انواع توابع زیان، به معرفی روش Ramp AUC و برخی ویژگی‌های آن به عنوان یک مدل آماری مبتنی بر سطح زیر منحنی راک پرداخته می‌شود. این مدل جهت ترکیب بیومارکرها به شکل خطی یا غیرخطی باهدف بهبود عملکرد طبقه‌بندی و مینیمم کردن تابع زیان تجربی بر اساس تابع زیان Ramp AUC ارائه‌شده است. به‌عنوان‌مثال کاربردی، در این مطالعه از داده‌های 378 بیمار دیابتی مراجعه‌کننده به مراکز دیابتی اردبیل و تبریز در سال 1394-1393 استفاده‌شده است. جهت طبقه‌بندی بیماران دیابتی از لحاظ وضعیت محدودیت عملکردی بر مبنای بیومارکر‌های جمعیت شناختی و بالینی از روش RAUC  استفاده گردید. اعتبارسنجی مدل به روش آموزش و آزمایش انجام شد. بر اساس نتایج گروه آزمایش، مقادیر سطح زیر منحنی به‌دست‌آمده برای مدل RAUC با ترکیبات خطی از بیومارکرها در قالب هسته خطی برابر 0.81  و با هسته تابع پایه شعاعی برابر 1.00 می‌باشد. نتایج بیانگر وجود یک الگوی غیرخطی قوی در داده‌ها می‌باشد به طوری که ترکیبات غیرخطی از بیومارکرها عملکرد طبقه‌بندی بالاتری نسبت به ترکیبات خطی را دارا می‌باشند.

بی‌پاسخی در آمارگیری‌ها منبعی برای بروز خطا در نتایج آمارگیری است و سازمان‌های ملی آماری همواره به دنبال راهکارهایی برای کنترل و کاهش آن هستند. پیش‌بینی واحدهای نمونه‌گیری بی‌پاسخ در آمارگیری قبل از اجرای آمارگیری از جمله راهکارهایی است که می‌تواند کمک زیادی به کاهش و مرتفع نمودن مشکل بی‌پاسخی آمارگیری داشته باشد. با توسعه‌های اخیر فناوری و تسهیل در محاسبات پیچیده امکان به کارگیری روش‌های یادگیری آماری، مانند درخت‌های رگرسیون و رده‌بندی یا ماشین بردار پشتیبان در بسیاری از مسائل از جمله پیش‌بینی بی‌پاسخی واحدهای نمونه‌گیری در آمارگیری‌ها فراهم شده است. در این مقاله ضمن مرور کلی روش‌های فوق، واحدهای نمونه‌گیری بی‌پاسخ در یک آمارگیری کارگاهی با استفاده از آن‌ها پیش‌بینی شده و نشان داده می‌شود ترکیب روش‌های فوق دارای دقت بیشتری در پیش‌بینی درست بی‌پاسخی نسبت به هر کدام از روش‌های تکی است.