
El equilibrio entre eficiencia de señal y rechazo de fondo a medida que se desplaza el corte.Una curva de características operativas del receptor (ROC) es una representación gráfica que ilustra la capacidad diagnóstica de un clasificador binario a medida que se varía su umbral de discriminación. Representa la tasa de verdaderos positivos (sensibilidad) frente a la tasa de falsos positivos (1 - especificidad) en distintos ajustes del umbral. La curva muestra el equilibrio entre captar señales verdaderas (eficiencia) y rechazar ruido de fondo (rechazo). El área bajo la curva ROC (AUC) es una medida escalar única del rendimiento general del clasificador, independiente de la elección del umbral.
Desarrollada durante la Segunda Guerra Mundial para la detección de señales de radar, posteriormente adoptada en psicología, medicina y aprendizaje automático.
Para cada valor posible del umbral de la puntuación de salida del clasificador, se calculan la tasa de verdaderos positivos y la tasa de falsos positivos. Al representar estos puntos se obtiene la curva ROC. Un clasificador perfecto tiene un AUC de 1, mientras que un clasificador aleatorio tiene un AUC de 0,5. La curva permite elegir un umbral que equilibre sensibilidad y especificidad según las necesidades de la aplicación; por ejemplo, en física de partículas, puede interesar un alto rechazo del fondo aunque ello suponga una menor eficiencia de señal.
Se utiliza en diagnósticos médicos para evaluar pruebas de cribado, en aprendizaje automático para comparar clasificadores y en física de partículas para optimizar los cortes de selección de eventos.
La curva ROC es invariante ante transformaciones monótonas de la puntuación de salida del clasificador, lo que significa que solo depende del orden de las puntuaciones, no de sus valores absolutos.




