Можно ли использовать модель с ROC-AUC равной 0.6

ROC-AUC 0.6 указывает на слабую предсказательную способность модели (лучше случайного угадывания, но ненамного).

Когда можно использовать:

• Если задача несбалансирована (например, 95:5), и модель дает хоть какой-то сигнал.
• Как baseline для сравнения с более сложными моделями.
• Если метрика не критична (например, исследовательский анализ).

Когда нельзя:

• В задачах с высокими ставками (медицина, финансы).
• Если есть модели с AUC > 0.75.

Пример проверки:

from sklearn.metrics import roc_auc_score
y_true = [0, 1, 0, 1]
y_pred = [0.1, 0.4, 0.3, 0.6]
print(roc_auc_score(y_true, y_pred))  # 0.75

Вывод: 0.6 — плохо, но иногда приемлемо как стартовая точка. Всегда сравнивайте с бейзлайном (0.5 для бинарной классификации).