Формула ROC-кривой

ROC-кривая (Receiver Operating Characteristic) визуализирует качество бинарной классификации, отображая соотношение True Positive Rate (TPR) и False Positive Rate (FPR) при различных порогах классификации.

Формулы:

• TPR (Recall) = TP / (TP + FN)
• FPR = FP / (FP + TN)

Пример построения (Python):

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

fpr, tpr, thresholds = roc_curve(y_true, y_scores)
plt.plot(fpr, tpr)
plt.xlabel('FPR')
plt.ylabel('TPR')
plt.title('ROC Curve')

Нюансы:

• AUC (площадь под кривой) — метрика качества: 1 — идеально, 0.5 — случайный угадыватель.
• Кривая строится для вероятностей, а не бинарных предсказаний.
• Чем ближе кривая к верхнему левому углу, тем лучше модель.