Core Concepts
AUC ROC ist nicht das Problem in der prädiktiven Analytik, sondern die Art und Weise, wie Metriken im Allgemeinen verwendet werden.
Abstract
Der Artikel bietet eine Kritik an einem kürzlich erschienenen Artikel von Kwegyir-Aggrey et al., der die Verwendung von AUC ROC in der prädiktiven Analytik kritisiert. Die Autoren argumentieren, dass viele der von Kwegyir-Aggrey et al. identifizierten Probleme nicht auf AUC ROC selbst zurückzuführen sind, sondern auf die Art und Weise, wie Metriken im Allgemeinen verwendet werden.
Der Artikel beginnt mit einer Einführung in die Verwendung von prädiktiver Analytik und die Bedenken hinsichtlich der Fairness dieser Algorithmen. Dann wird der Artikel von Kwegyir-Aggrey et al. diskutiert, bei dem es um die unangemessene Verwendung von AUC ROC geht. Die Autoren argumentieren, dass viele der von Kwegyir-Aggrey et al. identifizierten Probleme nicht spezifisch für AUC ROC sind, sondern für alle Metriken gelten.
Es folgt eine Diskussion technischer Aspekte von AUC ROC, wie die Interpretation von "Genauigkeit", die Verwendung von Genauigkeit als Referenzstandard und die Auswirkungen von Klassenungleichgewicht. Die Autoren argumentieren, dass AUC ROC in Bezug auf Klassenungleichgewicht robuster ist als andere Metriken.
Anschließend wird die Verwendung von AUC ROC bei der Modellauswahl diskutiert. Die Autoren argumentieren, dass AUC ROC, obwohl es Grenzen hat, immer noch eine wertvolle Metrik ist, insbesondere wenn es darum geht, faire Modelle auszuwählen.
Abschließend erörtern die Autoren die Vorteile von AUC ROC und argumentieren, dass es, ähnlich wie Brokkoli, gesund ist, aber dass Forscher und Praktiker nicht nur AUC ROC verwenden sollten, sondern eine Vielzahl von Metriken einsetzen müssen.
Stats
AUC ROC ist eine der am häufigsten verwendeten Klassifizierungsmetriken in vielen Anwendungsbereichen der prädiktiven Analytik.
Viele Papiere verwenden AUC ROC auf nicht robuste oder gültige Weise, was jedoch nicht spezifisch für AUC ROC ist, sondern für viele Metriken gilt.
Algorithmen können in der Lage sein, zukünftige Ergebnisse erfolgreich vorherzusagen, aber dennoch verzerrt sein.
Interventionen, die auf der Grundlage dieser Modelle entwickelt werden, können ineffektiv sein, wenn die Praktiker, die sie einsetzen, nicht entsprechend geschult werden.
Quotes
"Praktiken, die AUC betreffen, sind nicht robust, oft ungültig und können politische Entscheidungen unter dem Deckmantel technischer Entwicklung verbergen."
"AUC-basierte Messungen der Vorhersagegenauigkeit können verrauscht und ungenau sein."