Il prossimoProssima guida
Precisione media e PR-AUC
Tecnico
GUIDA AI FONDAMENTALI
Una curva ROC traccia quanto bene un classificatore separa due classi attraverso ogni possibile soglia decisionale e l'AUC comprime l'intera curva in un numero.
Ascolta questa guidaNarrato dall'IA · ~2 min
Together they tell you ranking quality independent of where you draw the cutoff.
Una curva ROC (Receiver Operating Characteristic) traccia il tasso di veri positivi (sensibilità, sull'asse y) rispetto al tasso di falsi positivi (1 meno specificità, sull'asse x) mentre si fa scorrere la soglia di classificazione da 1 a 0. Ciascuna soglia dà un punto; collegandoli si traccia la curva. Un modello che classifica ogni aspetto positivo sopra ogni aspetto negativo abbraccia l'angolo in alto a sinistra. L'area sotto la curva (AUC) misura l'area totale sotto questa linea, variando da 0,5 (ipotesi casuale, la diagonale) a 1,0 (perfetto). Un'interpretazione pratica: l'AUC equivale alla probabilità che il modello ottenga un punteggio positivo scelto a caso più alto di un negativo scelto a caso. Il termine deriva dagli operatori radar della Seconda Guerra Mondiale che distinguevano il segnale dal rumore.
Confronto di due modelli di rilevamento delle frodi per una banca in base all'AUC per scegliere quello che meglio classifica le transazioni fraudolente rispetto a quelle legittime
Valutazione di un test diagnostico per una malattia (ad esempio, un classificatore per lo screening del cancro) in cui i radiologi devono negoziare l'individuazione di più casi con falsi allarmi
Ottimizzazione della soglia di un filtro antispam utilizzando la curva ROC per mantenere i falsi positivi (posta legittima contrassegnata come spam) molto bassi
Benchmarking di un modello di punteggio di default del credito in cui l'AUC riassume quanto bene separa i mutuatari che rimborsano da quelli che sono inadempienti
Il ROC-AUC rimane una metrica di reporting predefinita, ma i professionisti la abbinano sempre più alle curve Precision-Recall per dati fortemente sbilanciati, dove il ROC può sembrare ingannevolmente ottimista. Prevediamo un’adozione più ampia dell’AUC parziale (concentrandosi sulla regione con pochi falsi positivi che conta a livello operativo), un’analisi sensibile ai costi e alla curva decisionale e un reporting dell’AUC per sottogruppo per far emergere le lacune di equità. Poiché i modelli alimentano decisioni reali, le metriche di calibrazione e l’AUC verranno sempre più riportate fianco a fianco anziché solo l’AUC.
Newsletter gratuita
Tre storie verificate sull'IA ogni mattina nei giorni feriali, scritte in un inglese semplice. Gratuito per sempre, senza pubblicità.
Un'email ogni giorno feriale. Disiscriviti con un clic. Non vendiamo né condividiamo mai il tuo indirizzo.
Mettiti alla prova
Feedback immediato su ogni risposta e un certificato condivisibile con un ID verificabile una volta superato un corso.
Sostieni l'istruzione gratuita sull'IA. AI Understanding è un'organizzazione non profit 501(c)(3) — nessun annuncio, nessun paywall, mai. Fai una donazione
Una curva ROC traccia quanto bene un classificatore separa due classi attraverso ogni possibile soglia decisionale e l'AUC comprime l'intera curva in un numero. Insieme ti dicono la qualità del ranking indipendentemente da dove tracci il limite.
Una curva ROC traccia il tasso di veri positivi (sensibilità) sull'asse y rispetto al tasso di falsi positivi (1 - specificità) sull'asse x attraverso le soglie.
Un classificatore casuale traccia la linea diagonale, fornendo un AUC di 0,5. Un AUC di 1,0 è perfetto e 0,0 significa che ogni classifica viene riportata esattamente al contrario.
L'AUC riassume l'intera curva ROC, che viene generata spazzando ogni soglia, quindi non dipende da alcun singolo cutoff scelto.
Sui problemi raramente positivi, il gran numero di veri negativi mantiene basso il tasso di falsi positivi, gonfiando il ROC. Le curve Precision-Recall si concentrano sulla classe positiva e rivelano le prestazioni in modo più onesto.
The guide notes that AUC depends on rank order and is insensitive to calibration; monotonic transformations can preserve rankings while altering the probability scale.
Continua a imparare
Altre guide selezionate per questo argomento
Il prossimoProssima guida
Precisione media e PR-AUC
Tecnico