ROC-AUC 不適合作為Anomaly Detection的效能指標
在異常偵測任務中，即使模型對正樣本（異常樣本）的辨識能力較差，ROC-AUC 仍可能顯示出看似良好的結果。這是因為 ROC-AUC 同時考慮了 FPR（False Positive Rate），而在實務上正常樣本（TN, True Negatives）通常遠多於異常樣本。當 TN 的數量極大時，即使模型誤判許多異常樣本，也會使 FPR 接近 0，進而高估模型的整體表現。
What is ROC-AUC ?
Uderstanding ROC and AUC
相關課程
*** 生成式 AI 實務：從基礎模型到 Agentic AI https://shorturl.at/zyJMe [1] 生成式AI能力認證 https://bit.ly/3E09jNs [2] python程式設計 https://bit.ly/359cz4m [3] 資料分析與視覺化 https://bit.ly/3XEaMjj [4] AI機器學習&深度學習 http://bit.ly/2KDZZz4 [5] 非監督式學習 https://bit.ly/422HA8h [6] AI自然語言與推薦系統應用 https://bit.ly/3qnO2Tg [7] TensorFlow Lite for MCU https://bit.ly/3j2fIIt [8] Intel OpenVINO邊緣運算實務 https://bit.ly/3BOPFjB [9] 電腦視覺演算法 https://bit.ly/3iOpC2x
