Krzywa ROC

Krzywa ROC
Krzywa ROC to uproszczone przedstawienie zależności między czułością, a swoistością na różnorodnych poziomach prawdopodobieństwa. Prościej mówiąc Krzywa ROC to obraz tego jak wielki jest odsetek niepoprawnych kwalifikacji (czyli kwalifikacji pozytywnych i negatywnych) dla przedstawionego punktu. Sposób, w którym założona jest granica szansy (prościej mówiąc prawdopodobieństwa), że trafi on do kategorii pozytywnej.

Czułość i swoistość:
Czułość jest również nazywana kwalifikacją pozytywną, natomiast swoistość kwalifikacją negatywną. Obie rzeczy oznaczają to samo.

Czy krzywa ROC to taka prosta sprawa?
Krzywa ROC nie jest taką prostą rzeczą jak się wydaje. Pomyślmy… Jeśli jakiś hacker wykradł konto jakiemuś użytkownikowi, a znanych jest 50 osób i wiadomyo, że któryś z nich jest sprawcą, to czy łatwą sprawą byłoby wykrycie sprawcy? Raczej nie, ponieważ w tym przypadku około 98% osób nie jest hackerem. Model, który sprawdza kto jest hackerem jest tak dopasowany, że 100% kont nie jest zhakowanych. Byłby on w takim wypadku świetny, aby sprawdzić, które z kont użytkowników jest zhakowany, ponieważ jest on modelem dobrze dopasowanym do danych. W końcu zhakowane jest tylko jedno konto. Z obiektywnego punktu widzenia nie jest to trudne, jednak z punktu biznesowego nie jest to już takie proste, ponieważ model ten w niczym nie jest pomocny.