Расскажи про ROC-AUC: что это такое, как используется?

ROC-AUC — это метрика качества бинарных классификаторов, которая измеряет способность модели различать классы.

• ROC (Receiver Operating Characteristic) — кривая, показывающая зависимость True Positive Rate (чувствительности) от False Positive Rate при различных порогах классификации.
• AUC (Area Under Curve) — площадь под ROC-кривой, численно выражающая качество модели.

Значение AUC варьируется от 0 до 1:

• 0.5 — модель не лучше случайного угадывания.
• Ближе к 1 — модель хорошо различает классы.

Используется для оценки моделей, особенно когда классы несбалансированы, так как учитывает все возможные пороги и не зависит от конкретного порога классификации.

Пример использования в Python с библиотекой scikit-learn:

from sklearn.metrics import roc_auc_score

y_true = [0, 0, 1, 1]
y_scores = [0.1, 0.4, 0.35, 0.8]

auc = roc_auc_score(y_true, y_scores)
print(f"ROC-AUC: {auc}")

Таким образом, ROC-AUC помогает понять, насколько хорошо модель умеет отделять положительные примеры от отрицательных.