Área bajo la métrica de evaluación ROC
El área bajo la métrica ROC mide la eficacia de su modelo para identificar diferencias entre clases.
Detalles de métrica
El área bajo la curva ROC (receiving-operating characteristic) es una métrica de evaluación de la calidad que mide la calidad del rendimiento de los modelos de aprendizaje automático de clasificación binaria en watsonx.governance.
Ámbito
El área bajo la métrica ROC evalúa únicamente los modelos de aprendizaje automático.
Tipos de activos de IA : modelos de aprendizaje automático
Tipo de problema de aprendizaje automático : Clasificación binaria
Puntuaciones y valores
El área bajo la puntuación métrica ROC indica lo bien que el modelo identifica las diferencias entre clases. Las puntuaciones más altas indican un mejor rendimiento del modelo en la identificación de clases.
- Rango de valores : 0.0-1.0
- Mejor puntuación posible : 1.0
- Valores de gráfico: Último valor en el margen de tiempo
Una puntuación de 0.5 sugiere una suposición aleatoria, mientras que una puntuación de 1.0 representa una clasificación perfecta.
Valores
Umbral predeterminado : Límite inferior = 80 %
Proceso de evaluación
El área bajo la métrica ROC se calcula trazando la tasa de verdaderos positivos (TPR) frente a la tasa de falsos positivos (FPR) para diferentes valores de umbral. Para cada umbral, se genera una matriz de confusión que especifica las clases de verdaderos positivos, falsos positivos, verdaderos negativos y falsos negativos.
El TPR y el FPR se calculan con estas clases y se representan en un gráfico para crear la curva ROC. El área bajo esta curva se calcula para generar la puntuación métrica.
Tema principal: Métricas de evaluación