Glossario

Area sotto la curva (AUC)

Che cos’è Area sotto la curva (AUC)?

L’area sotto la curva (Area Under the Curve, AUC) è un indicatore per i modelli di classificazione, riferito di solito alla curva ROC. Esprime quanto bene un modello separa i casi positivi da quelli negativi, indipendentemente da una soglia specifica. Un valore di 1 indica una separazione perfetta, 0,5 equivale a tirare a indovinare. Esempio: un modello di abbandono con AUC 0,85 giudica più a rischio un cliente che se ne va rispetto a uno fedele nell’85% dei casi.

Temi

Metrica di valutazione
ROC
Classificazione

Prova KI.ordo

Agenti, flussi e modelli in un’unica area di lavoro – demo gratuita di 24 ore.

Avvia demo

← Tutti i termini

Termini correlati

Curva ROC

La curva ROC (receiver operating characteristic) mostra quanto bene un modello di classificazione separa due classi. Per ogni possibile soglia decisionale riporta il tasso di veri positivi (recall) rispetto al tasso di falsi allarmi. Più la curva si avvicina all'angolo in alto a sinistra, meglio è; la diagonale corrisponde a un'ipotesi casuale. L'area sottostante (AUC) riassume la curva in un solo numero e aiuta, ad esempio, a confrontare diversi modelli antifrode.

metrica
valutazione modelli
+1

F-score (misura F1)

L’F-score è un indicatore per valutare i modelli di classificazione. La comune misura F1 è la media armonica tra precisione (quanti dei risultati trovati sono corretti) e richiamo, o recall (quanti dei casi reali sono stati trovati), e varia tra 0 e 1. È particolarmente utile con dati sbilanciati: un filtro antispam che non segnala quasi mai lo spam può avere un’accuratezza alta ma un F1 basso.

Metrica di valutazione
Classificazione
+1

Matrice di confusione

Una matrice di confusione è una tabella che confronta le previsioni di un classificatore con le classi reali. Con due classi mostra veri positivi, falsi positivi, veri negativi e falsi negativi. Da questi valori si calcolano metriche come precisione, recall e F1 score e si capisce quali errori si verificano. Esempio: un filtro antispam che segnala come spam molte e-mail autentiche ha molti falsi positivi, spesso più costosi di uno spam non rilevato.

Valutazione modelli
Classificazione
+1

Log loss

La log loss (perdita logaritmica) misura quanto le probabilità previste da un modello di classificazione corrispondano ai risultati reali. Le previsioni sicure ma errate vengono penalizzate in modo particolarmente forte; un valore vicino a zero indica previsioni ben calibrate. Esempio: se un modello stima al 95% l’abbandono di un cliente che invece resta, la log loss aumenta nettamente. Dal punto di vista matematico coincide con l’entropia incrociata binaria.

metrica
classificazione
+1