AUC-ROC
- Criado por
- Renato Passos, Eng. de Software
- Revisado por
- Renato Passos, Eng. de Software
Última atualização: 18 de abr. de 2026
Fórmula
AUC = (TP+TN)/(TP+TN+FP+FN)
Sobre esta calculadora
A AUC-ROC (Área sob a Curva ROC) é uma métrica que mede a capacidade de um modelo de classificação binária em distinguir entre classes. Valores variam de 0,5 (aleatório) a 1,0 (perfeito). A curva é gerada variando o limiar de decisão e plotando a taxa de verdadeiros positivos contra a taxa de falsos positivos.
Para calcular, o espaço entre a curva ROC e a linha de chance (0,5) é integrado numericamente, geralmente usando o método do trapézio. A fórmula simplificada fornecida (AUC = (TP+TN)/Total) é, na verdade, a acurácia, não sendo apropriada para AUC-ROC. Use a AUC quando comparar modelos ou avaliar desempenho em problemas desbalanceados.
Cuidados: modelos com AUC próxima a 0,5 podem ser inúteis, mas em datasets altamente desbalanceados, a AUC pode subestimar o desempenho. Combine com outras métricas como F1-score ou taxa de precisão para decisões críticas.
Exemplo: um classificador de detecção de fraude com AUC=0,75 tem 75% de eficácia em separar transações fraudulentas das não fraudulentas, embora ainda precise de ajustes para melhorar a precisão.
Perguntas frequentes
Qual a diferença entre AUC-ROC e acurácia?
Acurácia mede corretude absoluta, mas pode ser enganosa em dados desbalanceados. AUC-ROC avalia a capacidade de distinção entre classes em diferentes limiares, oferecendo uma métrica mais robusta.
Quando a AUC-ROC é mais alta, o modelo é melhor?
Sim, desde que os dados representem a distribuição real. Uma AUC-ROC alta em datasets artificiais pode não refletir bemempenho prático.
Como interpretar uma AUC-ROC de 0,6?
Indica que o modelo tem 60% de probabilidade de classificar corretamente uma instância positiva e negativa aleatoriamente. Ainda é útil, mas precisa de melhorias.
A fórmula dada no site está correta?
Não. A fórmula (TP+TN)/Total calcula acurácia, não AUC-ROC. A AUC-ROC exige cálculo baseado na área sob a curva ROC, não em contagem direta.
A AUC-ROC é útil para problemas multiclasse?
Não diretamente. Existem métodos como One-vs-Rest para adaptar a métrica, mas o cálculo e interpretação são mais complexos.