Área sob a curva (AUC)

A Área Sob a Curva (AUC) é uma métrica comumente usada em estatística e aprendizado de máquina para avaliar o desempenho de um modelo de classificação binária. Ela representa a capacidade do modelo de distinguir entre classes positivas e negativas, medindo a qualidade das probabilidades previstas do modelo.

A AUC calcula a área sob a curva ROC (Receiver Operating Characteristic, Característica de Operação do Receptor), que representa a taxa de verdadeiros positivos (sensibilidade) em relação à taxa de falsos positivos (1 – especificidade) em vários limites de classificação. A curva ROC resume o desempenho do modelo em todos os limites possíveis e fornece uma representação visual da compensação entre sensibilidade e especificidade.

O AUC varia entre 0 e 1, em que um valor de 0,5 indica que o desempenho do modelo é equivalente à adivinhação aleatória e um valor de 1 representa um modelo de classificação perfeito. Em geral, uma AUC mais alta sugere um melhor desempenho do modelo e uma melhor capacidade de discriminar corretamente entre instâncias positivas e negativas. Portanto, a AUC serve como uma medida confiável para comparar e selecionar modelos diferentes ou avaliar o desempenho geral de um único modelo.