Les caractéristiques de fonctionnement du récepteur (CGR) et de la zone sous la courbe (CGR) sont des paramètres importants utilisés pour évaluer le rendement des modèles de classification supervisés, qui aident à comprendre dans quelle mesure un modèle distingue les classes selon les différents seuils.

Comprendre la courbe ROC

La courbe ROC trace le taux de sensibilité (vraiment positif) par rapport au taux de fausse positive (1-spécificité) à différents paramètres de seuil. Elle fournit une représentation visuelle de la capacité d'un modèle à faire une distinction entre les classes positives et négatives.

Calcul de l' ASC

La zone sous la courbe (AUC) quantifie la capacité globale du modèle à distinguer les classes. Une ASC de 0,5 indique qu'aucune capacité discriminante, équivalente à une supposition aléatoire, n'est disponible. Une ASC de 1,0 signifie une classification parfaite.

Interprétation des CRO et de l'ASC

Les valeurs plus élevées de l'ASC suggèrent une meilleure performance du modèle. Lorsqu'on compare les modèles, on préfère généralement celui qui a une ASC plus élevée.

Considérations pratiques

Les ROC et les ASC sont les plus utiles lorsque les classes sont équilibrées. Dans le cas de séries de données déséquilibrées, d'autres mesures comme les courbes de rappel de précision peuvent fournir plus de renseignements.