ROC-кривая и AUC

ROC-кривая (Receiver Operating Characteristic) — это график, который показывает производительность модели бинарной классификации при различных порогах классификации. Он строит зависимость доли истинно положительных результатов (TPR) от доли ложноположительных результатов (FPR).

AUC (Area Under the Curve) — это площадь под ROC-кривой, которая служит единой метрикой качества модели: чем ближе AUC к 1, тем лучше модель.

ROC-кривая — это график, который иллюстрирует диагностическую способность бинарного классификатора при изменении порога дискриминации. По оси Y откладывается доля истинно положительных результатов (True Positive Rate, TPR), также известная как чувствительность (Recall), а по оси X — доля ложноположительных результатов (False Positive Rate, FPR). Идеальная модель имела бы ROC-кривую, которая проходит через верхний левый угол (TPR=1, FPR=0).

AUC (площадь под кривой) — это числовая метрика, которая измеряет общую производительность модели классификации. AUC представляет собой вероятность того, что случайно выбранный положительный пример будет оценен моделью выше, чем случайно выбранный отрицательный пример.

• AUC=0.5 соответствует случайному угадыванию
• AUC=1.0 — идеальной модели.