Este tipo de curva exibe a sensibilidade<\/strong> e especificidade<\/strong> de um modelo de classifica\u00e7\u00e3o:<\/span><\/p>\n O eixo x<\/strong> de uma curva ROC representa (1- Especificidade)<\/strong> e o eixo y<\/strong> representa Sensibilidade<\/strong> :<\/span><\/span> <\/p>\n Quanto mais pr\u00f3xima a curva ROC estiver do canto superior esquerdo do gr\u00e1fico, melhor o modelo ser\u00e1 capaz de classificar os dados em categorias.<\/span><\/p>\n Para quantificar isso, podemos calcular a AUC<\/strong> (\u00e1rea sob a curva), que nos diz quanto do gr\u00e1fico est\u00e1 sob a curva.<\/span> <\/p>\n Quanto mais pr\u00f3ximo o AUC estiver de 1, melhor ser\u00e1 o modelo.<\/span><\/p>\n Ao comparar duas curvas ROC para determinar qual modelo de classifica\u00e7\u00e3o \u00e9 melhor, frequentemente observamos qual curva ROC \u201cabra\u00e7a\u201d mais de perto o canto superior esquerdo do gr\u00e1fico e, portanto, tem um valor de AUC mais alto.<\/span><\/p>\n Suponha que ajustemos um modelo de regress\u00e3o log\u00edstica e um modelo com gradiente aprimorado a um conjunto de dados para prever o resultado de uma vari\u00e1vel de resposta.<\/span><\/p>\n Suponha que criemos curvas ROC para visualizar o desempenho de cada modelo:<\/span> <\/p>\n A linha azul mostra a curva ROC para o modelo de regress\u00e3o log\u00edstica e a linha laranja mostra a curva ROC para o modelo gradiente refor\u00e7ado.<\/span><\/p>\n Em nosso gr\u00e1fico, podemos ver os seguintes valores de AUC para cada modelo:<\/span><\/p>\n Como o modelo gradiente melhorado tem um valor de AUC mais alto, dir\u00edamos que ele prev\u00ea melhor o resultado da vari\u00e1vel resposta.<\/span><\/p>\n Nota<\/strong> : Neste exemplo, comparamos apenas duas curvas ROC, mas \u00e9 poss\u00edvel ajustar v\u00e1rios modelos de classifica\u00e7\u00e3o diferentes a um conjunto de dados e comparar ainda mais curvas ROC para determinar o melhor modelo a ser usado.<\/span><\/p>\n Os tutoriais a seguir fornecem informa\u00e7\u00f5es adicionais sobre modelos de classifica\u00e7\u00e3o e curvas ROC:<\/span><\/p>\n Introdu\u00e7\u00e3o \u00e0 regress\u00e3o log\u00edstica<\/a> Uma forma de visualizar o desempenho dos modelos de classifica\u00e7\u00e3o em aprendizado de m\u00e1quina \u00e9 criar uma curva ROC , que significa curva \u201ccaracter\u00edstica operacional do receptor\u201d. Este tipo de curva exibe a sensibilidade e especificidade de um modelo de classifica\u00e7\u00e3o: Sensibilidade: probabilidade de o modelo prever um resultado positivo para uma observa\u00e7\u00e3o quando o […]<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[11],"tags":[],"class_list":["post-4542","post","type-post","status-publish","format-standard","hentry","category-guia"],"yoast_head":"\n\n
![\"\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/read_roc1.png\")
<\/p>\n![\"\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/read_roc2.png\")
<\/p>\n Exemplo: Como comparar duas curvas ROC<\/strong><\/span><\/h2>\n
![\"compare](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/multipleroc1.jpg\")
<\/p>\n\n
Recursos adicionais<\/strong><\/span><\/h2>\n
Como interpretar uma curva ROC<\/a>
O que \u00e9 considerado uma boa pontua\u00e7\u00e3o AUC?<\/a><\/span><\/p>\n","protected":false},"excerpt":{"rendered":"