È possibile utilizzare la curva Precision-Recall invece dell'AUC ROC in caso di squilibrio delle classi?

Sì, in presenza di un forte squilibrio tra le classi, la curva Precision-Recall (PR) è spesso più informativa dell'ROC AUC.

Il motivo è che l'ROC AUC considera il rapporto tra True Positive Rate e False Positive Rate, ma in caso di squilibrio, un gran numero di esempi negativi può distorcere la valutazione, rendendo l'ROC AUC troppo ottimista.

La curva PR si concentra su Precisione e Recall, riflettendo meglio la qualità del modello in compiti con classi positive rare.

Pertanto, se la classe positiva è rara, la curva PR e la metrica associata (come la Precisione Media) forniscono una valutazione più adeguata della qualità del modello.

Esempio:

• In un compito di rilevamento frodi (transazioni fraudolente rare), la curva PR mostrerà quanto bene il modello individua i truffatori senza molti falsi positivi.

In sintesi:

• Usa ROC AUC per classi bilanciate.
• Usa la curva Precision-Recall in presenza di forte squilibrio tra le classi.