Простыми словами
График, показывающий компромисс между долей правильно найденных положительных случаев и долей ложных срабатываний при изменении порога классификации. Например, снижая порог, модель обычно находит больше положительных случаев, но одновременно увеличивает число ложных срабатываний. Поэтому результат проверяют на данных и отдельной выборке, а не только на впечатляющем примере - иначе модель может выглядеть убедительно и при этом ошибаться на реальных случаях.
Механизм действия
Сначала проверяют, есть ли исходное условие из определения. Затем смотрят, как оно влияет на условия, ограничения, взаимодействия и наблюдаемые последствия. Если эту связь не удаётся наблюдать, принцип не стоит использовать как готовое объяснение.
Пример в работе
Решение принимают без учета механизма «ROC Curve», оценивая только ближайший эффект.
Перед изменением проверяют, как «ROC Curve» влияет на ограничения, стимулы, зависимости и вторичные последствия.
Ограничения
«ROC Curve» объясняет только часть происходящего в области «AI и машинное обучение». Сам принцип не говорит, насколько сильным будет эффект в вашем случае, и не заменяет измерения. При другом масштабе, среде или временном горизонте результат может отличаться.
Источник
Tom Fawcett, “An Introduction to ROC Analysis”, 2006.