ROC-Kurve
The Receiver Operating Characteristic (ROC) curve is a graphical tool used to evaluate the performance of a binäres Klassifikationsmodell. It illustrates the trade-off between sensitivity (true positive rate) and specificity (1 – False Positive Rate) bei verschiedenen Schwellenwerten.
Jeder Punkt auf der ROC-Kurve repräsentiert einen unterschiedlichen Schwellenwert für die Klassifizierung von Instanzen in positive und negative Klassen. Die x-Achse der Grafik zeigt die falsch-Positiv-Rate (FPR), während die y-Achse die wahr-Positiv-Rate (TPR) anzeigt. Ein Modell mit perfekter Klassifikation würde die obere linke Ecke der Grafik erreichen, was auf 100 % Sensitivität und 0 % falsch-Positiv-Rate hinweist.
Der Bereich unter der ROC-Kurve (AUC) is a key metric derived from the ROC curve. AUC values range from 0 to 1, where a score of 0.5 indicates no discriminative ability (similar to random guessing), and a score of 1.0 indicates perfect classification. Generally, a higher AUC value signifies better Modellleistung.
ROC curves are particularly useful in medical diagnostics, credit scoring, and any field where binary decisions are made based on probabilistic outputs. By analyzing the ROC curve, practitioners can choose an optimaler Schwellenwert that balances sensitivity and specificity according to the specific context of their application.