Resumo
Cobrimos as curvas ROC (receiver operator characteristic) com alguma profundidade. Aprendemos que eles fazem um gráfico da frequência com que atribuímos erroneamente um rótulo verdadeiro em relação à frequência com que atribuímos corretamente um rótulo verdadeiro. Cada ponto no gráfico representa um limiar que foi aplicado.
Aprendemos como podemos usar curvas ROC para ajustar nosso limiar de decisão no modelo final. Também vimos como a área sob a curva (AUC) pode nos dar uma ideia de quão dependente nosso modelo é de ter o limiar de decisão perfeito. Também é uma medida útil para comparar dois modelos entre si. Parabéns por chegar tão longe! Como sempre, agora que você tem uma nova técnica no currículo, o melhor que você pode fazer para o seu aprendizado é praticar usá-la em dados que lhe interessam. Ao fazer isso, você ganhará experiência e entenderá nuances que não tivemos tempo ou espaço para cobrir aqui. Boa sorte!