AUC-ROC
forkortelse for Area Under the Curve – Receiver Operating Characteristic
AUC-ROC er en metrik, der måler et binært klassifikationssystems evne til at skelne mellem positive og negative klasser på tværs af alle klassifikationstærskler.
Kort fortalt
AUC-ROC fortæller, hvor god en model er til at skelne mellem to kategorier – jo tættere på 1, desto bedre.
- Kategori
- metrik
- Niveau
- øvet
Betydninger
1- 1
En metrik der opsummerer ydeevnen af en binær klassifikationsmodel ved at beregne arealet under ROC-kurven, som plottes ved at variere klassifikationstærsklen og notere sand positiv rate mod falsk positiv rate.
- Modellen opnåede en AUC-ROC på 0,92, hvilket indikerer fremragende adskillelse mellem syge og raske patienter. — Medicinsk forskningsartikel
- AUC-ROC anvendes ofte i maskinlæringsstudier for at undgå at skulle vælge en specifik tærskelværdi. — ML benchmark rapport
Hvornår bruges det
AUC-ROC bruges ofte til at sammenligne klassifikationsmodellers præstation, især når klasserne er ubalancerede eller når man ønsker en tærskeluafhængig evaluering. Den anvendes blandt andet inden for medicinsk diagnostik, kreditrisikovurdering og machine learning-konkurrencer.
Formel
AUC = ∫_{0}^{1} TPR(FPR) dFPR (eller arealet under ROC-kurven, hvor TPR = sand positiv rate, FPR = falsk positiv rate)Oprindelse
AUC står for 'Area Under the Curve' (areal under kurven), og ROC står for 'Receiver Operating Characteristic' (modtageroperationskarakteristik), en teknik oprindeligt udviklet til radar under 2. verdenskrig.