Curva ROC
A Curva ROC (Receiver Operating Characteristics) é uma ferramenta poderosa para avaliar o desempenho de classificadores binários, especialmente em termos de discriminação entre classes positivas e negativas.
A curva é gerada ao plotar a Taxa de Verdadeiros Positivos (TPR ou Sensibilidade) contra a Taxa de Falsos Positivos (FPR) em vários limiares de decisão.
- TPR (Taxa de Verdadeiros Positivos): Proporção de casos positivos reais corretamente identificados pelo modelo.
- FPR (Taxa de Falsos Positivos): Proporção de casos negativos reais incorretamente identificados como positivos pelo modelo.
Por exemplo, uma AUC de 0.7 na curva ROC significa que há 70% de chance de o modelo distinguir corretamente entre a classe positiva e a classe negativa.
Um AUC de 0.5 indica que o modelo não tem capacidade de discriminação entre as classes, atuando como um classificador aleatório.
Um AUC próximo de 0 sugere que o modelo está, de fato, invertendo as classes, prevendo a classe negativa como positiva e vice-versa.
A curva ROC é particularmente útil para visualizar o trade-off entre sensibilidade e especificidade e para escolher um limiar de decisão que equilibre essas duas métricas de acordo com as necessidades do problema específico.
Em resumo, a Curva ROC e a métrica AUC são ferramentas valiosas para entender a capacidade do modelo de classificação binária de separar as classes e tomar decisões informadas sobre o limiar de classificação.