Courbe ROC
The Receiver Operating Characteristic (ROC) curve is a graphical tool used to evaluate the performance of a modèle de classification binaire. It illustrates the trade-off between sensitivity (true positive rate) and specificity (1 – taux de faux positifs) à travers divers seuils.
Chaque point sur la courbe ROC représente un seuil différent pour classer les instances en classes positives et négatives. L'axe des x montre le taux de faux positifs (FPR), tandis que l'axe des y montre le taux de vrais positifs (TPR). Un modèle avec une classification parfaite atteindrait le coin supérieur gauche du graphique, indiquant 100 % de sensibilité et 0 % de taux de faux positifs.
La surface sous la courbe ROC (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 performance du modèle.
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 seuil optimal that balances sensitivity and specificity according to the specific context of their application.