Curva ROC
The Receiver Operating Characteristic (ROC) curve is a graphical tool used to evaluate the performance of a modelo de classificação binária. It illustrates the trade-off between sensitivity (true positive rate) and specificity (1 – taxa de positivos falsos) em várias configurações de limiar.
Cada ponto na curva ROC representa um limiar diferente para classificar as instâncias em classes positivas e negativas. O eixo x do gráfico mostra a taxa de falso positivo (FPR), enquanto o eixo y mostra a taxa de verdadeiro positivo (TPR). Um modelo com classificação perfeita atingiria o canto superior esquerdo do gráfico, indicando 100% de sensibilidade e 0% de taxa de falso positivo.
A área sob a curva 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 desempenho do modelo.
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 limiar ótimo that balances sensitivity and specificity according to the specific context of their application.