---
id: AI-MET-ROC-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 1.0
tags: [ai, machine-learning, metrics, roc-curve, auc, classification, evaluation]
last_reinforced: 2026-04-26
---

# ROC-AUC Curves (ROC-AUC 곡선)

## 📌 한 줄 통찰 (The Karpathy Summary)
> "임계값(Threshold)의 변화에도 흔들리지 않는 모델의 진정한 '변별력'을 한 장의 그래프와 하나의 숫자로 증명하라" — 분류 모델의 성능을 정밀도-재현율의 상충 관계 속에서 다각도로 평가하기 위한 표준 시각화 및 수치화 도구.

## 📖 구조화된 지식 (Synthesized Content)
- **추출된 패턴:** "Threshold-Agnostic Performance Evaluation" — 모델이 정답과 오답을 얼마나 잘 갈라내는지(Discrimination)를 확인하기 위해, 모든 가능한 임계값에 대해 TPR(재현율)과 FPR(오탐율)의 궤적을 그리고 그 아래 면적(AUC)을 계산하는 패턴.
- **핵심 지표:**
    - **ROC (Receiver Operating Characteristic):** 가로축 FPR, 세로축 TPR의 곡선. 왼쪽 상단에 붙을수록 고성능.
    - **AUC (Area Under the Curve):** 곡선 아래 면적. 1.0에 가까울수록 완벽한 분류, 0.5는 무작위 추측.
- **의의:** 특정 임계값에서의 성능이 아닌, 모델의 전체적인 잠재력을 평가할 수 있게 해주며, 데이터 불균형 상황에서도 모델의 변별력을 비교적 객관적으로 나타냄.

## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
- **과거 데이터와의 충돌:** AUC가 높으면 무조건 좋다는 맹신에서 벗어나, 데이터가 극단적으로 불균형할 때는 ROC-AUC보다 PR-AUC(Precision-Recall AUC)가 모델의 실질적인 성능을 더 잘 반영할 수 있음을 인지해야 함.
- **정책 변화:** Antigravity 프로젝트는 에이전트의 분류 모델 성능 보고 시, 단일 정확도(Accuracy) 지표 대신 ROC-AUC 점수를 병기하여 모델의 신뢰도를 다각도로 검증함.

## 🔗 지식 연결 (Graph)
- [[Precision-Recall-Tradeoff|Precision-Recall-Tradeoff]], [[Performance-Metrics-in-AI|Performance-Metrics-in-AI]], [[Logistic-Regression|Logistic-Regression]], [[Imbalanced-Data-Handling|Imbalanced-Data-Handling]]
- **Raw Source:** 10_Wiki/Topics/AI/ROC-AUC-Curves.md