AUC-ROC

El AUC-ROC es el área bajo la curva ROC, una métrica que resume en un solo número, entre 0 y 1, el rendimiento de un clasificador binario a través de todos sus posibles umbrales de decisión. La curva ROC (característica operativa del receptor) representa la tasa de verdaderos positivos frente a la tasa de falsos positivos a medida que se varía ese umbral.

Cómo se interpreta

Un AUC de 0,5 equivale al azar, y de 1,0, a una clasificación perfecta. Tiene una lectura probabilística precisa: el AUC es la probabilidad de que el modelo asigne una puntuación más alta a un ejemplo positivo elegido al azar que a uno negativo, también al azar. Por eso mide la capacidad de ordenar y discriminar —de separar positivos de negativos—, no el acierto de una predicción concreta.

Lo que el AUC no dice

Conviene tener presentes tres límites. Primero, el AUC mide discriminación, no calibración: dos modelos con el mismo AUC pueden dar probabilidades muy distintas, porque la métrica solo atiende al orden de las puntuaciones. Segundo, no fija un umbral de operación: resume el rendimiento sobre todos los cortes, pero elegir el umbral concreto es una decisión aparte que depende del coste relativo de los falsos positivos y los falsos negativos. Y tercero, con clases muy desbalanceadas el AUC-ROC puede resultar optimista, por lo que suele complementarse con la curva de precisión-exhaustividad (AUC-PR), centrada en la clase minoritaria.

Para qué se usa

El AUC-ROC sirve para comparar clasificadores con una sola cifra independiente del umbral y para la selección de modelos, a menudo promediando el AUC sobre las particiones de una validación cruzada.