AUC(Area Under Curve)를 이해하기 쉽게 배워봅시다.

1. AUC (Area Under the Curve) 점수란? AUC (Area Under the Curve) 점수는 분류 모델(Classification Model)의 성능을 평가할 때 사용하는 또다른 지표입니다. 2. AUC(Area Under the Curve)점수가 존재하는 이유 AUC (Area Under the Curve) 점수는 데이터의 불균형 상태를 방지하고자 만든 지표입니다. AUC 점수는 ROC 곡선 아래의 면적을 의미하는데, ROC 곡선은 모델이 참(True)을 참(True)으로, 거짓(False)을 거짓(False)으로 정확히 분류할 확률을 보여줍니다. AUC 값이 1에 가까울수록 모델의 성능이 뛰어난 것으로 평가되며, 0.5는 무작위 추측과 같은 수준을 의미합니다. AUC 점수를 사용함으로써, 다양한 임계값에서의 모델 성능을 포괄적으로 평가할 수 있으며, 이는 정확도(Accruary)보다 더 전체적인 입장에서 모델을 평가하는 데 도움을 줍니다. 3. AUC(Area Under the Curve)점수를 활용하는 법 일반적으로 AUC 점수가 0.7 이상이면 양호한 모델로 간주합니다. 특히 불균형한 데이터에서는 정확도(Accruary)보다 AUC 점수가 더 신뢰성 있는 성능 지표가 됩니다. AUC 점수를 통해 균형잡힌 모델의 성능을 알수 있고, 더 좋은 모델을 개발할수 있는 지표가 됩니다. 4. AUC(Area Under the Curve)점수의 2가지 중요한 요소 AUC 점수의 두 가지 요소는 TPR과 FPR 입니다. TPR =TP / (TP + FN) TPR은 진짜 양성 비율을 의미하며, 모델이 양성(Positive)이라고 예측한 경우 중 실제로 양성(Positive)인 비율을 의미합니다. FPR = FP / (FP + TN) FPR은 거짓 양성 비율을 의미하며, 모델이 양성(Positive)이라고 예측한 경우 중 실제로 음성(Negative)인 비율을 의미합니다. 더 자세한 내용은 아래의 블로그 글에서 확인해보세요. 📌 블로그 링크: https://inblog.ai/datarichard-official/aucarea-under-curve #데이터리차드 #데이터교육 #AUC