728x90
1. ROC 커브
ROC 커브란 FPR이 변할 때 TPR의 변화를 그린 그림입니다. FPR은 Fall-out, TPR은 Recall(sensitivity) 입니다. Fall-out이 변할 때 sensitivity가 어떻게 변하냐를 관찰한 커브인데요.
1) 직선
랜덤하게 때려맞춘 모델로, 아무 의미가 없다는 뜻입니다.
2) Good
직선보다 위에 있으면 좋은 모델로 보고 완벽하게 ㄱ으로 꺾여있다면 100%의 모델을 나타냅니다.
Threshold 기준으로 그래프를 그려보면, negative라고 맞추고 positive라고 맞춘 경계선이 명확하다면 ROC 곡선에서 100% 다 맞춘 모델이 됩니다. 이 때 AUC를 1이라고 합니다. AUC는 ROC의 면적을 나타냅니다.
AUC가 0.7정도인 경우는 위와 같습니다.
3) Bad
분류 성능이 나쁜 경우 AUC=0.5가 됩니다. t
그렇다면 이제 적용을 해봐야겠죠?
지난 시간에 한 0과 1 맞추기에서의 ROC 곡선은 어떻게 나오는지 한번 살펴보겠습니다.
2. ROC 예제
해당 데이터에 대해 Recall과 Fall-out을 따로 보고 이를 그래프로 그려 ROC 곡선을 확인했고,
대충 때려맞춰도 0.5의 AUC는 나옵니다. AUC는 무조건 0.5보다 크거나 같아야합니다.
728x90
'머신러닝 > Model Evaluation' 카테고리의 다른 글
Python Box plot (0) | 2024.04.27 |
---|---|
Python으로 다양한 함수 나타내기 (+다항함수, 지수함수, 시그모이드, 벡터 3Dscatter) (0) | 2024.04.25 |
모델평가_ROC 커브 그리기 (0) | 2024.04.02 |
모델평가_모델평가란? (0) | 2024.03.11 |