Descubriendo AUC: Un indicador clave en la evaluación de modelos de clasificación

26 de marzo de 2023

¿Qué es el AUC y por qué es importante?

El AUC,(Area Under Curve), es una métrica utilizada para evaluar el rendimiento de modelos de clasificación binaria, es decir, aquellos que clasifican datos en dos categorías posibles, identificadas como +1 y -1. Esta métrica es especialmente útil para comprender cómo de buenos son esos modelos para predecir con precisión las etiquetas de los datos.

Entendiendo el cálculo del AUC

Primero, es necesario visualizar los datos como en la Figura 1, donde cada punto se representa con su puntuación de predicción en el eje x y la etiqueta real en el eje y. De esta forma, se dividen los datos en dos grupos según sus etiquetas reales.

Las dos cantidades clave en el AUC

Para calcular el AUC, debemos calcular dos cantidades importantes, como se muestra en la Tabla 2:

Tasa de verdaderos positivos (TPR): Porcentaje de etiquetas reales positivas que concuerdan con las etiquetas predichas.
Tasa de falsos positivos (FPR): Porcentaje de etiquetas reales negativas que discrepan con las etiquetas predichas.

¿Cómo generar las etiquetas de predicción?

Se elige un umbral arbitrario para la puntuación de predicción:

Los puntos de datos con puntuaciones por encima del umbral reciben etiquetas de predicción positivas.
Los puntos de datos con puntuaciones por debajo del umbral reciben etiquetas de predicción negativas.

Construyendo la curva ROC

La curva ROC (Receiver Operating Characteristic) es una representación gráfica de estas dos tasas, TPR y FPR, en función de cada umbral. Cada punto en la curva ROC corresponde a estas dos cantidades en la Figura 2 vemos un ejemplo para calcular en función de cada umbral.

Tomando decisiones: AUC versus otras métricas

Siempre es importante tener en cuenta que cada métrica de modelo tiene sus ventajas y desventajas. Comprender el contexto y el objetivo comercial en el que se aplica el modelo puede marcar una gran diferencia para determinar si se debe utilizar el AUC u otra métrica para evaluar el rendimiento del mismo.

Puedes ampliar información sobre AUC en: