ROC 및 AUC

출처: https://developers.google.com/machine-learning/crash-course/classification/roc-and-auc?hl=ko

ROC 곡선 (수신자 조작 특성 곡선)은 모든 분류 임계값에서 분류 모델의 성능을 보여주는 그래프입니다. 이 곡선은 다음 두 매개변수를 표시한다.

- True Positive Ratio

- False Positive Ratio

TPR = TP/(TP+FN)

FPR = FP/(FP+TN)

ROC 곡선은 다양한 분류 임계값의 TPR 및 FPR을 나타낸다. 

분류 임계값을 낮추면 더 많은 항목이 positive로 분류되므로, false positive와 true positive가 증가한다.

이때 y축은 TPR x축은 FPR 로 하여 그리면 ROC곡선이 완성된다.

ROC곡선의 점을 계산하기 위해 분류 임계값이 다른 로지스틱 회귀모형을 여러번 평가할 수 있지만, 이건 비효율적이고, AUC를 사용한다.

AUC : ROC 곡선아래영역

AUC는 ROC곡선 아래 영역을 의미한다. (적분)

AUC 장점

- 척도불변이다. : AUC는 절대값이 아니라 예측이 얼마나 잘 평가되는지 측정합니다.

- 분류 임계값 불변 : 분류 임계값이 선택되었는지와 상관없이 모델의 예측 품질을 측정합니다.

AUC 단점

- 척도 불변이 항상 이상적인 것은 아니다.

- 분류 임계값 불변이 항상 이상적인 것은아니다.