Как строится ROC-AUC

ROC-AUC (Receiver Operating Characteristic - Area Under Curve) оценивает качество бинарной классификации. ROC-кривая строится по точкам (FPR, TPR) при различных порогах классификации:

1. FPR (False Positive Rate): FP / (FP + TN)
2. TPR (True Positive Rate): TP / (TP + FN)

Процесс построения:

1. Предсказать вероятности классов для тестовых данных.
2. Перебрать все возможные пороги (от 0 до 1).
3. Для каждого порога вычислить TPR и FPR.
4. Построить кривую, соединив точки (FPR, TPR).
5. AUC — площадь под этой кривой (чем ближе к 1, тем лучше).

Пример на Python:

from sklearn.metrics import roc_curve, roc_auc_score
import matplotlib.pyplot as plt

y_true = [0, 1, 0, 1]
y_scores = [0.1, 0.4, 0.35, 0.8]
fpr, tpr, _ = roc_curve(y_true, y_scores)
auc = roc_auc_score(y_true, y_scores)

plt.plot(fpr, tpr, label=f'AUC={auc:.2f}')
plt.xlabel('FPR')
plt.ylabel('TPR')
plt.legend()
plt.show()