Roc-Auc

Infografía ROC-AUC

📈 ¿Qué tan bien separa tu modelo las clases?

Comparto esta infografía sobre una de las métricas más completas en clasificación: el ROC-AUC 👇

🧠 Idea clave

El ROC-AUC no mide aciertos directos…
👉 mide la capacidad del modelo para separar clases

🔍 Qué se ve en la imagen

• 📦 Clasificación binaria (Clase A vs. Clase B)
• 🧩 Matriz de confusión como base
• 📐 Curva ROC (TPR vs FPR)
• ⚖️ Impacto del umbral de decisión
• 📊 Ejemplo práctico con AUC

⚠️ El matiz importante

Un modelo con alto ROC-AUC:

• ✔️ Distingue bien entre clases
• ❗ Pero no garantiza buen rendimiento en un umbral concreto

👉 AUC alto ≠ modelo óptimo en producción

💡 Cuándo importa de verdad

El ROC-AUC es clave cuando quieres evaluar el modelo globalmente:

• 📊 Comparación entre modelos
• ⚖️ Problemas con distintos umbrales posibles
• 📈 Evaluación independiente del threshold

💡 Conclusión

El ROC-AUC responde a una pregunta clave:

• 🎯 “¿Qué tan bien separa mi modelo las clases?”

Es una métrica muy potente, pero debe complementarse con métricas dependientes de umbral.

Si trabajas con modelos de clasificación, esta métrica te da una visión global 👇