AUC-ROC là chỉ số đánh giá thể hiện hiệu suất phân loại của mô hình học máy dưới dạng số từ 0 đến 1 và có nghĩa là khu vực dưới đường cong ROC.
AUC-ROC là chỉ số cho thấy mô hình phân loại nhị phân có thể sắp xếp các mẫu dương tính và âm tính chính xác như thế nào và được tính bằng diện tích dưới đường cong ROC mô tả mối quan hệ giữa tỷ lệ dương tính thực (TPR) và tỷ lệ dương tính giả (FPR). Các giá trị nằm trong khoảng từ 0,5 (dự đoán ngẫu nhiên) đến 1,0 (phân loại hoàn hảo) và được áp dụng rộng rãi làm thước đo tiêu chuẩn ngành để so sánh mô hình. Tuy nhiên, trong các hoạt động thực tế tính đến năm 2026, có một cạm bẫy đã biết là ngay cả khi AUC-ROC cao thì độ chính xác/tỷ lệ thu hồi thực tế sẽ thấp đối với dữ liệu có sự mất cân bằng cấp độ mạnh (các trường hợp chỉ có một vài phần trăm là dương tính, chẳng hạn như phát hiện gian lận hoặc chẩn đoán y tế) và người ta nói rằng trong những tình huống như vậy, phương pháp chọn PR-AUC (vùng dưới đường cong thu hồi chính xác) kết hợp đang được thiết lập. Mặc dù chi phí tính toán chỉ số là nhỏ nhưng người ta thường bỏ qua rằng việc đào tạo lại mô hình và thiết lập hệ thống giám sát liên tục đòi hỏi chi phí vận hành đáng kể.