Uitleg
Een ROC-curve (Receiver Operating Characteristic) visualiseert de prestatie van een binaire classificatie-model over alle mogelijke drempels. Het plot true positive rate (TPR) tegen false positive rate (FPR).
Door de classificatie-drempel te verschuiven, veranderen TPR en FPR. Als je drempel lager zet, krijg je meer positieve voorspellingen (hogere TPR maar ook hogere FPR). ROC-curve toont deze trade-off grafisch.
AUC (Area Under the Curve) is één getal: het gebied onder de ROC-curve. AUC=1 is perfect, AUC=0.5 is random. ROC-curves zijn nuttig voor het vergelijken van modellen en het kiezen van optimale drempels voor specifieke toepassingen.
⚡ Voorbeelden
- •ROC-curve toont dat een medisch-model 95% van zieke personen detecteert bij 5% false alarm-rate
- •Twee modellen vergelijken: degene met ROC-curve dichter naar linksboven hoek presteert beter
- •Drempel-selectie: voor laag-risico applicatie kan je hogere drempel kiezen voor lagere false positives
Trefwoorden
true-positive-ratefalse-positive-ratethreshold-trade-offperformantie-grafiek