Quelle description de la courbe ROC et de l'AUC, utilisées pour évaluer un modèle de classification binaire, est correcte ?

Réponse : A. C'est la courbe obtenue en faisant varier le seuil de décision, avec le taux de faux positifs en abscisse et le taux de vrais positifs en ordonnée ; plus l'aire sous la courbe (AUC) est proche de 1, mieux le modèle distingue les positifs des négatifs

La courbe ROC se trace en déplaçant le seuil au-delà duquel le score produit par le modèle est jugé positif, avec en abscisse le taux de faux positifs FP ÷ (FP + TN) et en ordonnée le taux de vrais positifs TP ÷ (TP + FN). L'AUC est l'aire sous la courbe ; elle est égale à la probabilité que le score d'un exemple positif tiré au hasard soit supérieur à celui d'un exemple négatif tiré au hasard. Un modèle qui distingue parfaitement les classes a une AUC de 1, et un modèle qui décide au hasard une AUC de 0,5. Elle permet de comparer le pouvoir de discrimination des modèles avant de fixer un seuil, mais quand les positifs sont très rares, la courbe PR, qui représente la relation entre précision et rappel, fait parfois mieux apparaître les différences.