Curva ROC explicada em uma imagem

Com uma curva ROC , você está tentando encontrar um bom modelo que otimize a troca entre a taxa positiva falsa (FPR)  e a taxa positiva real (TPR) . O que conta aqui é quanta área está sob a curva (Área sob a Curva = AuC). A curva ideal na imagem da esquerda preenche 100%, o que significa que você será capaz de distinguir entre resultados negativos e resultados positivos em 100% do tempo (o que é quase impossível na vida real). Quanto mais você for para a direita, pior será a detecção. A curva ROC para a extrema direita faz um trabalho pior do que o acaso, misturando os negativos e positivos (o que significa que você provavelmente tem um erro em sua configuração).

Fonte e Direitos reservados ao autor: Stephanie Glen.

Leiam também: Simplifying the ROC and AUC metrics.

{ Alex Souza }