نمودار ROC-AUC

🔹 نمودار ROC-AUC

مقدمه

ROC (Receiver Operating Characteristic) Curve یکی از مهم‌ترین ابزارها برای ارزیابی عملکرد مدل‌های دسته‌بندی باینری است.
این نمودار توانایی مدل را در تمایز بین کلاس مثبت و منفی نشان می‌دهد و معمولاً با AUC (Area Under Curve) یا مساحت زیر منحنی همراه است.

🔹 تعریف اجزاء

• True Positive Rate (TPR یا Recall): نسبت نمونه‌های مثبت صحیح به کل نمونه‌های مثبت
  
• False Positive Rate (FPR): نسبت نمونه‌های منفی که اشتباهاً مثبت پیش‌بینی شده‌اند به کل نمونه‌های منفی
  

ROC Curve: محور افقی = FPR، محور عمودی = TPR

🔹 تفسیر نمودار

• نقطه بالا سمت چپ: بهترین عملکرد (TPR بالا و FPR پایین)
• منحنی نزدیک به خط مورب ۴۵ درجه: مدل تصادفی (بدون توانایی تمایز)
• مساحت زیر منحنی (AUC):
  • 1.0 → مدل کامل
  • 0.5 → مدل تصادفی

🔹 نمونه نمودار (توضیح متنی)

• منحنی بالاتر از مورب ۴۵ درجه نشان‌دهنده عملکرد بهتر مدل است.
• مقدار AUC بزرگ‌تر نشان‌دهنده قدرت تمایز بیشتر مدل است.

🔹 نکات مهم

1. ROC-AUC برای داده‌های متوازن و نامتوازن کاربرد دارد.
2. هر چه منحنی ROC به بالای سمت چپ نزدیک‌تر باشد، مدل بهتر است.
3. ROC می‌تواند چندکلاسه (Multi-class ROC) هم تعمیم یابد.