이번시간에는 간단하게 평가하는 Roc에 대해서 배워보도록 하겠습니다.

---

Roc Curve

Roc커브란 성능평가를 하는 방법 중 하나입니다.
Roc커브는 민감도(Sensitivity)와 특이도(Specificity)라는 개념이 존재합니다.

이해하기 쉽게 예시로 표를 만든다면

모수	실제 양성	실제 음성
검사결과 양성	양성판정과 실제 양성(TP)	양성판정과 실제 음성(FP)
검사결과 음성	음성판정과 실제 양성(FN)	음성판정과 실제 음성(TN)

다음과 같이 만들 수 있습니다.

대중적으로 사용되는 표도 보여드리겠습니다.

True Positive(TP), False Positive(FP), False Negative(FN), True Negative(TN)입니다.

특징

• 민감도(True positive rate(TPR), Recall): 실제 병에 걸린 사람이 양성(Positive) 판정 받는 비율
  
• 특이도(True Negative rate(TNR) ): 정상인이 음성(Negative) 판정을 받는 비율
• False positive rate(FPR) = 1 - 특이도
  
• 정확도(Accuracy): 전체 데이터 중 제대로 분류된 데이터 비율
  
• 에러율(Error Rate): 전체 데이터 중 제대로 분류되지 않은 데이터 비율
  
• 정밀도(Precision): Positive로 예측했을 때, 실제로 Positive인 비율
  

정밀도와 민감도의 차이는 정밀도는 양성판정(TP+FP), 민감도는 실제 양성(TP+FN)인 것이 기준이 됩니다.

그래프

TPR = 1 이고, FPR = 0 인 경우가 가장 이상적인 판정이기 때문에 그래프가 좌상단으로 꺽일 수록 좋은 평가를 받게 됩니다.

즉

Roc의 밑면적(AUC)가 넓을 수록 좋은 모델입니다.

---

Roc 사용방법

input

from sklearn.metrics import RocCurveDisplay
RocCurveDisplay.from_estimator([학습시간모델], [X-데이터넣기], [y-데이터넣기])

output

RocCurveDisplay함수를 사용하여 간단하게 출력할 수 있습니다. 데이터셋은 모든 머신러닝에서 가능하기 때문에 가지고 계신 모델을 이용하시면 됩니다.

---

이번시간에는 Roc를 이용하여 모델을 평가하는 방법에 대해 배워보았습니다. 머신러닝부분은 이제 거의 끝나가니 마지막까지

😁 power through to the end 😁