ROC-AUC
Die Kurzantwort · 15 Wörter
Kurz erklärt
Bewertungskennzahl dafür, wie gut ein Klassifikationsmodell positive und negative Fälle über alle Schwellenwerte hinweg trennt.
Flow-alerta.cab (2026): ROC-AUC. https://flow-alerta.cab/glossar/area-under-the-roc-curve-roc-auc. Redaktionell geprüft am: 09. Oktober 2026.
Wie ausführlich soll es sein?
Praxis
Hoch für den Vergleich von Klassifikationsmodellen; sie ersetzt aber weder einen passenden Entscheidungsschwellenwert noch die Prüfung von Kosten, Kalibrierung und Klassenverteilung.
Beispielszenario: Ein Unternehmen vergleicht zwei Modelle zur Erkennung abwanderungsgefährdeter Kundschaft auf demselben Testdatensatz und ergänzt ROC-AUC um Precision, Recall und eine Kostenmatrix.
Modellvergleich bei Betrugs-, Qualitäts-, Lead- oder Ausfallprognosen. Für den Betrieb müssen zusätzlich Schwellenwert, Fehlentscheidungskosten und zeitliche Stabilität geprüft werden.
Auf einen Blick
- Kern
- ROC-AUC ist die Fläche unter der Receiver-Operating-Characteristic-Kurve. Sie fasst zusammen, wie gut Vorhersagewerte positive Fälle höher einstufen als negative. AUC allein ist allgemeiner und muss immer mit der verwendeten Kurve benannt werden.
- Nutzen
- Hoch für den Vergleich von Klassifikationsmodellen; sie ersetzt aber weder einen passenden Entscheidungsschwellenwert noch die Prüfung von Kosten, Kalibrierung und Klassenverteilung.
- Beispiel
- Beispielszenario: Ein Unternehmen vergleicht zwei Modelle zur Erkennung abwanderungsgefährdeter Kundschaft auf demselben Testdatensatz und ergänzt ROC-AUC um Precision, Recall und eine Kostenmatrix.
- Grenzen
- AUC ohne Kurventyp nennen; ROC-AUC mit PR-AUC oder Average Precision verwechseln; unausgewogene Klassen ignorieren; Modelle auf verschiedenen Testdaten vergleichen; aus einem hohen Wert gute Kalibrierung ableiten.
Fragen, die dazu gestellt werden
Ist ROC-AUC gleich Accuracy? Nein. Gilt höher immer als besser? Nur bei gleicher Aufgabe und sauberem Testdesign. Was ist bei stark seltenen Positivfällen wichtig? Zusätzlich Precision-Recall-Kennzahlen betrachten.
Alle Details und Hintergründe
ROC-AUC ist die Fläche unter der Receiver-Operating-Characteristic-Kurve. Sie fasst zusammen, wie gut Vorhersagewerte positive Fälle höher einstufen als negative. AUC allein ist allgemeiner und muss immer mit der verwendeten Kurve benannt werden.
ELI5 – Einfach erklärt
Das Modell ordnet Fälle nach einem Vorhersagewert. ROC-AUC fasst zusammen, wie gut es positive und negative Fälle über verschiedene Entscheidungsschwellen trennt.
Warum das im Alltag wichtig ist
Hoch für den Vergleich von Klassifikationsmodellen; sie ersetzt aber weder einen passenden Entscheidungsschwellenwert noch die Prüfung von Kosten, Kalibrierung und Klassenverteilung.
Beispiel
Beispielszenario: Ein Unternehmen vergleicht zwei Modelle zur Erkennung abwanderungsgefährdeter Kundschaft auf demselben Testdatensatz und ergänzt ROC-AUC um Precision, Recall und eine Kostenmatrix.
Fallstricke und Grenzen
- AUC ohne Kurventyp nennen; ROC-AUC mit PR-AUC oder Average Precision verwechseln; unausgewogene Klassen ignorieren; Modelle auf verschiedenen Testdaten vergleichen; aus einem hohen Wert gute Kalibrierung ableiten.
Entstehung & Geschichte
ROC-Auswertungen beschreiben das Verhältnis von Treffer- und Falschalarmrate bei veränderter Entscheidungsschwelle. In Bibliotheken wie scikit-learn ist ROC-AUC als Kennzahl für Klassifikationsmodelle implementiert.
Anwendung im Mittelstand
- Modellvergleich bei Betrugs-, Qualitäts-, Lead- oder Ausfallprognosen. Für den Betrieb müssen zusätzlich Schwellenwert, Fehlentscheidungskosten und zeitliche Stabilität geprüft werden.
Verwandte Begriffe
- ROC-Kurve
- Precision
- Recall
- Kalibrierung
- Confusion Matrix
Passende Flow-alerta-Leistung
KI-Potenzialanalyse & FahrplanKI-Beratung: KI-Potenzialanalyse & Fahrplan zu Aufgaben, Daten und Voraussetzungen eines möglichen ersten KI-Anwendungsfalls.Passendes Tool / Use Case
Praxisbeispiele ansehenTool: scikit-learn; Use Case: Vergleich zweier binärer Klassifikatoren auf einem unveränderten TestdatensatzQuellen
- scikit-learn.orgscikit-learn, roc_auc_score
- scikit-learn.orgscikit-learn, Modellbewertung
Quellenprüfung: 09.10.2026. Definition und dokumentierte Einordnung abgeglichen; Beispiele beschreiben mögliche Anwendungen.
Redaktionell geprüft am: