Pode-se usar a curva de Precisão-Recall em vez do AUC ROC em caso de desequilíbrio de classes?

Sim, em casos de forte desequilibração de classes, a curva Precision-Recall (PR) costuma ser mais informativa do que o ROC AUC.

A razão é que o ROC AUC leva em consideração a relação entre a Taxa de Verdadeiros Positivos e a Taxa de Falsos Positivos, mas em desequilíbrios, um grande número de exemplos negativos pode distorcer a avaliação, tornando o ROC AUC excessivamente otimista.

A curva PR foca na Precisão e no Recall, o que reflete melhor a qualidade do modelo em tarefas com classes positivas raras.

Assim, se a classe positiva for rara, a curva PR e a métrica correspondente (como a Precisão Média) fornecem uma avaliação mais adequada da qualidade do modelo.

Exemplo:

• Em uma tarefa de detecção de fraude (transações fraudulentas raras), a curva PR mostrará o quão bem o modelo encontra fraudadores sem muitos falsos positivos.

Resumindo:

• Use o ROC AUC para classes equilibradas.
• Use a curva Precision-Recall em casos de forte desequilibração de classes.