Como funciona
A curva ROC é um gráfico que plota a taxa de verdadeiros positivos contra a taxa de falsos positivos, para todos os limiares possíveis de um classificador binário. Para cada limiar, você marca um ponto no gráfico e, ao conectar os pontos, obtém-se a curva. A área abaixo da curva resume o desempenho em um único número. A taxa de verdadeiros positivos representa a parte dos casos positivos corretamente encontrados; a taxa de falsos positivos, a parte dos negativos que o sistema incorretamente classifica como positivos. Cada ponto do gráfico representa um limiar diferente, e o movimento ao longo da curva mostra como o comportamento do modelo muda. O cálculo da área usa a classificação das probabilidades, sem depender de um limiar fixo.
Exemplo prático
Suponha um sistema de detecção de fraude. Com limiar baixo, o sistema flagra muitas transações e captura a maioria das fraudes, mas gera muitos falsos positivos. Com limiar alto, o sistema é conservador e comete mais falsos negativos. A curva ROC mostra o trade-off entre esses cenários sem executar mais uma vez o modelo, e o ponto do gráfico mais próximo do canto superior esquerdo indica um bom equilíbrio entre capturar fraudes e não incomodar clientes legítimos. Ao comparar dois modelos, o de maior AUC tende a ser melhor em geral, mas a escolha final depende do custo de cada tipo de erro na aplicação real.
Para que serve
Curva ROC serve para comparar classificadores e escolher o limiar de operação que atende ao custo das decisões. Também ajuda a justificar a seleção de modelo para produção, especialmente quando falsos positivos e falsos negativos têm pesos diferentes. O gráfico permite comparar dois modelos na mesma tela sem depender de um único limiar, o que deixa a decisão mais transparente para a equipe. Muitas equipes acompanham a curva para decidir se é melhor reduzir falsos positivos ou falsos negativos, dependendo do risco de cada erro.
Diferença entre X e Y
A matriz de confusão fica com um limiar fixo; a curva ROC varia o limiar. A curva ROC não leva em conta a base da classe, então para bases desbalanceadas outras métricas podem ser mais informativas.