Ի՞նչ է PR-AUC-ն ընդդեմ ROC-AUC-ի արտակարգ անհավասարակշռության դեպքում։

PR-AUC (Դաշտը ճշգրտության-հիշողության գծի տակ) և ROC-AUC (Receiver Operating Characteristic գծի տակ) մետրիկաներ են բինարային դասակարգման որակի համար, բայց նրանք տարբեր կերպ արձագանքում են դասերի անհավասարակշռությանը:

Երեկոնային անհավասարակշռության դեպքում (երբ դրական դասը շատ հազվադեպ է), PR-AUC-ը հաճախ ավելի տեղեկատվական է, քանի որ կենտրոնանում է դրական դասի ճշգրտության (precision) և հիշողության (recall) վրա: ROC-AUC-ը հաշվում է իրական դրականների և կեղծ դրականների հարաբերությունը, բայց ուժեղ անհավասարակշռության դեպքում կեղծ դրական սխալները կարող են թվալ աննշան, ինչը հանգեցնում է մոդելի որակի բարձր գնահատականի:

Օրինակ՝

• Անոմալիաների հայտնաբերման խնդիրում (հազվագյուտ դրական դեպքեր), PR-AUC-ը ցույց կտա, թե որքան լավ է մոդելը գտնում այդ հազվագյուտ դեպքերը առանց շատ կեղծ ազդանշանների:
• ROC-AUC-ը կարող է լինել բարձր, նույնիսկ վատ անոմալիաների հայտնաբերման դեպքում, եթե մոդելը լավ ճանաչում է բացասական դասը:

Հետևաբար՝ ուժեղ անհավասարակշռության դեպքում խորհուրդ է տրվում օգտագործել PR-AUC՝ ավելի ռեալիստական գնահատական ստանալու համար: