Glossário

Curva ROC

O que é Curva ROC?

A curva ROC (receiver operating characteristic) mostra a capacidade de um modelo de classificação para separar duas classes. Para cada limiar de decisão possível, representa a taxa de verdadeiros positivos (recall) em função da taxa de falsos positivos. Quanto mais a curva se aproxima do canto superior esquerdo, melhor; a diagonal corresponde a um palpite puro. A área sob a curva (AUC) resume-a num único número e ajuda, por exemplo, a comparar diferentes modelos de deteção de fraude.

Temas

métrica
avaliação de modelos
classificação

Experimentar o KI.ordo

Agentes, fluxos e modelos num só espaço de trabalho – demonstração gratuita de 24 horas.

Iniciar demonstração

← Todos os termos

Termos relacionados

Área sob a curva (AUC)

A área sob a curva (AUC) é uma métrica para modelos de classificação, referindo-se normalmente à curva ROC. Indica em que medida um modelo separa casos positivos de negativos, independentemente de qualquer limiar específico. Um valor de 1 significa separação perfeita; 0,5 não é melhor do que adivinhar. Exemplo: um modelo de abandono com AUC de 0,85 classifica um cliente que sai, escolhido ao acaso, como mais arriscado do que um cliente fiel em 85 % dos casos.

Métrica de avaliação
ROC
+1

Recall em aprendizagem automática

O recall (também chamado sensibilidade ou taxa de verdadeiros positivos) mede a proporção dos casos realmente positivos que um modelo deteta: positivos corretamente identificados a dividir por todos os positivos reais. Se um filtro de fraude apanha 80 de 100 casos reais de fraude, o seu recall é 0,8. Um recall elevado é importante quando os casos não detetados são dispendiosos, como no diagnóstico médico. Como ignora os falsos alarmes, é geralmente considerado em conjunto com a precisão, por exemplo na pontuação F.

métrica
avaliação de modelos
+1

Matriz de confusão

Uma matriz de confusão é uma tabela que compara as previsões de um classificador com as classes reais. Para duas classes, mostra os verdadeiros positivos, os falsos positivos, os verdadeiros negativos e os falsos negativos. A partir dela, podem calcular-se métricas como a precisão, a revocação e a pontuação F1, e fica claro que erros ocorrem. Exemplo: um filtro de spam que assinala muitos e-mails legítimos como spam tem muitos falsos positivos, o que muitas vezes é mais dispendioso do que uma mensagem de spam não detetada.

Avaliação de modelos
Classificação
+1

Classificador

Um classificador é um modelo ou método que atribui entradas a uma de várias categorias predefinidas. As variantes clássicas, como as árvores de decisão ou o naive Bayes, são treinadas com exemplos etiquetados; os modelos de linguagem também podem ordenar textos com base numa descrição das categorias. As utilizações típicas incluem a deteção de spam, a triagem de pedidos de clientes por tema e a categorização de recibos. A qualidade é medida com métricas como a exatidão, a precisão e a revocação.

Classificação
Aprendizagem automática
+1

Modelo