Welche Beschreibung der ROC-Kurve und der AUC, mit denen Modelle für die Klassifikation mit zwei Klassen bewertet werden, trifft zu?

Antwort: A. Eine Kurve, die entsteht, wenn man den Entscheidungsschwellenwert variiert und die Richtig-Positiv-Rate über der Falsch-Positiv-Rate aufträgt; je näher die Fläche darunter (AUC) an 1 liegt, desto besser trennt das Modell positive von negativen Fällen

Die ROC-Kurve entsteht, indem man den Schwellenwert verschiebt, ab dem der vom Modell ausgegebene Score als positiv gilt, und die Falsch-Positiv-Rate FP ÷ (FP + TN) auf der waagerechten Achse sowie die Richtig-Positiv-Rate TP ÷ (TP + FN) auf der senkrechten Achse aufträgt. Die AUC ist die Fläche unter der Kurve; sie ist gleich der Wahrscheinlichkeit, dass ein zufällig gewähltes positives Beispiel einen höheren Score erhält als ein zufällig gewähltes negatives. Ein Modell, das perfekt trennt, hat eine AUC von 1, ein Modell, das zufällig urteilt, 0,5. Mit der AUC lässt sich die Trennfähigkeit von Modellen vergleichen, bevor ein Schwellenwert festgelegt ist; bei Daten mit sehr wenigen positiven Fällen zeigt die PR-Kurve, die Precision über Recall aufträgt, Unterschiede jedoch manchmal deutlicher.