2nd/10_Wiki/Topics/AI/ROC-AUC-Curves.md

id, category, confidence_score, tags, last_reinforced

id	category	confidence_score	tags	last_reinforced
AI-MET-ROC-001	10_Wiki/💡 Topics/AI	1.0	ai machine-learning metrics roc-curve auc classification evaluation	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, Performance-Metrics-in-AI, Logistic-Regression, Imbalanced-Data-Handling
• Raw Source: 10_Wiki/Topics/AI/ROC-AUC-Curves.md