¿Se puede usar la curva de Precisión-Recall en lugar del AUC ROC en caso de desequilibrio de clases?

Sí, en casos de un fuerte desequilibrio de clases, la curva Precision-Recall (PR) suele ser más informativa que el ROC AUC.

La razón es que el ROC AUC considera la relación entre la Tasa de Verdaderos Positivos y la Tasa de Falsos Positivos, pero en un desequilibrio, una gran cantidad de ejemplos negativos puede distorsionar la evaluación, haciendo que el ROC AUC sea demasiado optimista.

La curva PR se centra en la Precisión y el Recall, lo que refleja mejor la calidad del modelo en tareas con clases positivas raras.

Por lo tanto, si la clase positiva es rara, la curva PR y la métrica correspondiente (como el Promedio de Precisión) proporcionan una evaluación más adecuada de la calidad del modelo.

Ejemplo:

• En una tarea de detección de fraude (transacciones fraudulentas raras), la curva PR mostrará qué tan bien el modelo detecta fraudes sin muchas falsas alarmas.

En resumen:

• Utilice ROC AUC para clases equilibradas.
• Utilice la curva Precision-Recall en casos de fuerte desequilibrio de clases.