Área sob a curva (AUC)

A área sob a curva (AUC) é uma métrica comumente utilizada 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 pelo modelo.

A AUC calcula a área sob a curva de Característica Operacional do Receptor (ROC), que representa graficamente a Taxa de Verdadeiros Positivos (Sensibilidade) em função da Taxa de Falsos Positivos (1 – Especificidade) em vários limiares de classificação. A curva ROC resume o desempenho do modelo em todos os limiares possíveis e fornece uma representação visual do equilíbrio entre sensibilidade e especificidade.

A AUC varia entre 0 e 1, sendo que um valor de 0,5 indica que o desempenho do modelo é equivalente a um palpite aleatório, enquanto um valor de 1 representa um modelo de classificação perfeito. Em geral, uma AUC mais alta sugere um melhor desempenho do modelo e uma maior capacidade de distinguir corretamente entre instâncias positivas e negativas. Portanto, a AUC serve como uma medida confiável para comparar e selecionar diferentes modelos ou avaliar o desempenho geral de um único modelo.