Editing ROC 곡선

'''Receiver Operating Characteristic; Receiver Operating Characteristic Curve'''

ROC 곡선은 분류 모델의 성능을 평가하는데 사용되는 도구로, 주로 [[이진 분류 문제]]에서 모델이 얼마나 잘 분류하는지 시각적으로 보여준다. ROC 곡선은 다양한 임계값에서 모델의 [[민감도|'''민감도(양성 탐지율)''']]와 [[거짓 양성 비율|'''거짓 양성 비율''']] 간의 관계를 나타낸다.

== ROC 곡선의 구성 요소 ==

* '''민감도:''' 실제 양성인 샘플 중에서 모델이 올바르게 양성으로 예측한 비율이다.
** TPR = TP / TP + FN
** TP(True Positive): 실제로 양성인 경우를 양성으로 예측한 경우
** FN(False Negative): 실제로 양성인 경우를 음성으로 예측한 경우
** False Positive Rate (FPR): 실제로 음성인 샘플 중에서 모델이 잘못 양성으로 예측한 비율
* '''거짓 양성 비율 (1 - 특이도):''' 실제 음성인 샘플 중에서 양성으로 잘못 예측한 비율이다.
** FPR = FP / (FP + TN)
** FP(False Positive): 실제로 음성인 경우를 양성으로 예측한 경우
** TN(True Negative): 실제로 음성인 경우를 음성으로 예측한 경우

== ROC 곡선 그리기 ==
ROC 곡선은 모델의 임계값(Threshold)을 조정하면서 True Positive Rate와 False Positive Rate의 변화를 시각화한다. 임계값을 다르게 설정함에 따라 모델의 성능이 달라지기 때문에, 여러 임계값에서 TPR과 FPR을 계산하여 그래프를 그린다.

* x축: False Positive Rate(FPR) 또는 1 - Specificity
* y축: True Positive Rate(TPR) 또는 Sensitivity

임계값이 1에 가까워질수록 모델은 대부분의 샘플을 음성으로 예측하고, 임계값이 0에 가까워질수록 대부분의 샘플을 양성으로 예측하게 됩니다. ROC 곡선은 임계값이 변화할 때 모델의 성능이 어떻게 변화하는지 보여줍니다.

== AUC (Area Under the Curve) ==
ROC 곡선 아래의 면적인 AUC(Area Under the Curve)는 모델의 분류 성능을 수치화한 값으로, 0과 1 사이의 값을 가진다. AUC 값은 다음과 같이 해석할 수 있�다:

* AUC = 1: 완벽한 분류 모델
* AUC = 0.5: 무작위 추측과 동일한 성능
* AUC < 0.5: 성능이 무작위 추측보다 나쁨

일반적으로, AUC 값이 0.7 이상이면 모델이 좋은 성능을 가진다고 평가한다.

=== ROC 곡선이 유용한 이유 ===
ROC 곡선은 모델의 성능을 임계값의 변화에 따라 시각적으로 보여주기 때문에, 분류 임계값을 설정하는 데 중요한 정보를 제공한다. 특히, 클래스가 불균형한 데이터셋에서도 성능을 평가할 수 있는 장점이 있다. Precision-Recall 곡선과 함께 사용하면 모델의 성능을 더욱 정확하게 분석할 수 있다.