ROC curve
# Tag:
- Source/KU_DL
ROC curve
binary classification을 위해 사용 될 수 있는 판별 지표로, (1-Specificity)와 recall에 대한 그래프로 그려진다.
- FP rate : 1 - Specificity, 잘못 판단한 정도이므로 0에 가까울 수록 성능이 좋다.
- TP rate : Recall, 잘 판단한 정도이므로 1에 가까울 수록 성능이 좋다.
그래프는 threshold를 바꾸어가면서 FP rate와 TP rate를 측정해 점들을 찍고, 그 점들을 이은 것이 된다.
즉, classifier의 전반적인 그 성능 정도를 확인하는 것이ㅏㄷ.
ROC-AUC
AUC = area under the curve로, ROC 그래프 아래의 영역의 넓이를 말한다. 즉, 이 부분이 넓을 수록 성능이 좋다고 할 수 있는데, recall이 높고 1-Specificity가 낮을 수록 roc curve는 왼쪽 위로 볼록하기 때문이다.
-
AUC는 classifier의 전반적인 성능을 측정하는 것이므로, threshold와 무관하다.
-
실제 확률이 중요하기보다는, 그 점의 위치가 중요하다.
-
수정수정
-
뭐 적분하면 어떻게 해서 그 AUC가 된다더니 어쩌니