수신기 작동 특성 (ROC) 및 영역 곡선 (AUC)의 밑에는 감독된 분류 모형의 성과를 평가하기 위하여 사용된 중요한 미터입니다. 그들은 다른 문턱의 종류 사이에서 잘 모형 구별하는 방법을 이해하는 것을 돕습니다.

ROC 곡선 이해

ROC 곡선은 다양한 임계값 설정에서 false Positive Rate (1-specificity)에 대한 진정한 긍정적 인 비율 (감도)을 도모합니다. 그것은 긍정적이고 부정적인 클래스 사이에 차별 할 모델의 능력의 시각적 표현을 제공합니다.

AUC를 계산

곡선 (AUC)의 영역은 클래스를 구별하기 위해 모델의 전반적인 능력을 할당합니다. 0.5의 AUC는 임의 추측과 동등한 공명 능력이 없습니다. 1.0의 AUC는 완벽한 분류를 나타냅니다.

ROC 및 AUC의 통합

Higher AUC 값은 더 나은 모델 성능을 제안합니다. 모델을 비교할 때, 더 높은 AUC가 일반적으로 선호됩니다. 그러나 상황에 맞는 응용 프로그램을 고려하는 것이 중요합니다.

연구 및 개발

ROC와 AUC는 클래스가 균형 잡힐 때 가장 유용합니다. 정밀 리콜 곡선과 같은 임의 데이터 세트의 경우 더 많은 통찰력을 제공 할 수 있습니다. 또한 검증 데이터에 이러한 미터를 평가하는 데 필수적입니다.