AUC (Area Under Curve)

Einfach erklärt

AUC fasst die ROC-Kurve in einer Zahl zusammen: Wie gut trennt das Modell positive von negativen Beispielen?

AUC = 1.0: Perfekte Trennung
AUC = 0.5: Zufälliges Raten
AUC < 0.5: Schlechter als Zufall (Vorzeichen umdrehen!)

Interpretation:

AUC = P(score(positiv) > score(negativ))

"Wenn ich zufällig ein positives und ein negatives 
Beispiel wähle, wie wahrscheinlich rankt das Modell 
das positive höher?"

Technischer Deep Dive

AUC berechnen

from sklearn.metrics import roc_auc_score

y_true = [0, 0, 1, 1, 1, 0, 1, 0]
y_scores = [0.1, 0.4, 0.35, 0.8, 0.7, 0.3, 0.9, 0.2]

auc = roc_auc_score(y_true, y_scores)
print(f"AUC: {auc:.3f}")  # 0.875

Multi-Class AUC

from sklearn.metrics import roc_auc_score

# One-vs-Rest für Multi-Class
auc_ovr = roc_auc_score(y_true, y_proba, multi_class='ovr')

# One-vs-One
auc_ovo = roc_auc_score(y_true, y_proba, multi_class='ovo')