---
title: "AUC-ROC: definizione e interpretazione"
url: https://www.conseolente.it/auc-roc-definizione-interpretazione/
aggiornato: 2026-11-08
descrizione: "AUC-ROC: cos'è, come si interpreta e si calcola. Scopri i limiti e quando usarla rispetto alla PR-AUC per valutare modelli di classificazione."
topic: "AUC-ROC"
---

# AUC-ROC: definizione e interpretazione

> Versione per assistenti AI. Pagina originale: [AUC-ROC: definizione e interpretazione](https://www.conseolente.it/auc-roc-definizione-interpretazione/?via=md)

L’AUC-ROC è il numero tra 0 e 1 che riassume quanto bene un modello di classificazione binaria separa i casi positivi dai negativi a ogni soglia di decisione: più si avvicina a 1, più il modello ordina correttamente le due classi, mentre un valore vicino a 0,5 segnala un ordinamento casuale.

## Cosa ricordare dell’AUC-ROC?

- **Definizione:** l’AUC-ROC è l’area sotto la curva ROC, che mette in relazione la percentuale di veri positivi e quella di falsi positivi a ogni soglia di classificazione.

- **Valori di riferimento:** 0,5 equivale a un modello casuale, 1,0 a un modello perfetto, un valore sotto 0,5 indica un ordinamento invertito rispetto alle classi.

- **Calcolo:** si ottiene sommando le aree dei trapezi disegnati dai punti della curva ROC, oppure confrontando a coppie ogni esempio positivo con ogni esempio negativo.

- **Alternativa su dati sbilanciati:** quando i casi positivi sono rari, la curva precisione-richiamo (PR-AUC) racconta meglio l’errore reale del modello.

- **Limite principale:** l’AUC-ROC valuta solo l’ordine dei punteggi, non la loro calibrazione: un modello può avere un’AUC alta e probabilità comunque sbagliate.

## Cos’è la curva ROC

![Grafico cartesiano con la curva ROC che si incurva verso l'angolo in alto a sinistra](https://www.conseolente.it/wp-content/uploads/2026/11/auc-roc-definizione-interpretazione-1-1024x683.webp)

La curva ROC mette in relazione i veri positivi e i falsi positivi mentre la soglia di decisione cambia.

La curva ROC mostra come cambia il comportamento di un classificatore al variare della soglia usata per decidere se un esempio è positivo o negativo. Ogni punto della curva corrisponde a una soglia diversa, da quella più permissiva a quella più severa.

Gli assi del grafico hanno un significato preciso, utile a chi deve leggere un report generato da uno strumento di [analisi statistica come scikit-learn](https://www.conseolente.it/scikit-learn-cose-a-cosa-serve/) o da un software di business intelligence collegato a un sistema di scoring.

TPR (asse Y, sensibilità)
la quota di casi positivi reali che il modello individua correttamente, calcolata come veri positivi diviso la somma di veri positivi e falsi negativi.
FPR (asse X)
la quota di casi negativi che il modello classifica per errore come positivi, calcolata come falsi positivi diviso la somma di falsi positivi e veri negativi.

Spostando la soglia da 0 a 1 e unendo i punti ottenuti si disegna la curva. Un modello che si limita a indovinare produce una linea diagonale da (0,0) a (1,1): a ogni livello di sensibilità corrisponde lo stesso tasso di falsi allarmi. Un modello utile piega quella linea verso l’angolo in alto a sinistra, dove la sensibilità è alta e i falsi positivi restano bassi. Questo stesso meccanismo di separazione tra classi è la base dell’apprendimento automatico applicato alla classificazione: chi vuole inquadrare il contesto più ampio può ripartire dal [funzionamento del machine learning](https://www.conseolente.it/machine-learning-definizione-funzionamento-intelligenza-artificiale/).

Nel lavoro quotidiano capita di dover scegliere la soglia giusta per un filtro antispam, per un punteggio di rischio credito o per un sistema che segnala ordini sospetti su un e-commerce: la curva ROC è lo strumento che mostra a colpo d’occhio cosa si guadagna e cosa si perde spostando quella soglia.

## Cos’è l’AUC

L’AUC è l’area racchiusa sotto la curva ROC: un unico numero tra 0 e 1 che sintetizza il rendimento del modello a tutte le soglie possibili, invece di descriverlo soglia per soglia.

Il significato pratico dell’AUC è probabilistico: corrisponde alla probabilità che il modello assegni un punteggio più alto a un esempio positivo scelto a caso rispetto a un esempio negativo scelto a caso. Un classificatore di spam con AUC pari a 0,9 assegna un punteggio di spam più alto all’email indesiderata rispetto a quella legittima nel 90% dei confronti casuali possibili.

Quando l’attributo da valutare riguarda più di due classi (per esempio tre livelli di priorità di un ticket, non solo “urgente/non urgente”), l’AUC-ROC nella sua forma originale non si applica: serve calcolarla classe contro tutte le altre e poi farne una media. È uno dei limiti che vale la pena conoscere prima di usarla come unico indicatore.

## Come si interpreta il valore di AUC-ROC

![Tabella con fasce di valore AUC-ROC e relativa qualità del modello](https://www.conseolente.it/wp-content/uploads/2026/11/auc-roc-definizione-interpretazione-2-1024x683.webp)

Le fasce di riferimento dell’AUC-ROC aiutano a leggere un report di valutazione senza fraintendere il numero.

Un valore di AUC-ROC pari a 0,5 significa che il modello non distingue le due classi meglio del caso; un valore pari a 1,0 significa che le separa senza errori. Tra questi due estremi esistono fasce intermedie usate di norma per giudicare un modello pronto per la produzione.

| Valore AUC-ROC | Interpretazione |
| --- | --- |
| 0,5 | modello casuale, equivalente al lancio di una moneta |
| 0,7 – 0,8 | prestazioni accettabili |
| 0,8 – 0,9 | prestazioni buone |
| oltre 0,9 | prestazioni eccellenti |
| 1,0 | classificatore perfetto |

Un valore inferiore a 0,5 non va scartato subito: indica che il modello ordina le classi al contrario, e in alcuni casi basta invertire l’etichetta delle predizioni per ottenere un AUC complementare superiore a 0,5. Non è una correzione che funziona sempre, perché dipende dal motivo per cui il modello sbaglia in modo sistematico.

È opportuno non fermarsi al numero da solo: un AUC di 0,85 calcolato su cento esempi vale meno di un AUC di 0,80 calcolato su centomila, perché l’incertezza della stima cambia con la dimensione del campione di test.

## Come si calcola l’AUC-ROC

L’AUC-ROC si calcola sommando le aree dei trapezi formati dai punti successivi della curva ROC: è il metodo che usano la maggior parte delle librerie di calcolo, compresa la funzione roc_auc_score di [scikit-learn](https://www.conseolente.it/scikit-learn-cose-a-cosa-serve/).

1. Ordina tutti gli esempi in base al punteggio che il modello assegna.

2. Calcola TPR e FPR a ogni soglia distinta presente nei punteggi.

3. Unisci i punti (FPR, TPR) ottenuti e somma l’area dei trapezi che formano, dallo 0 all’1.

4. Verifica il risultato con una libreria come scikit-learn, confrontando l’output con il calcolo manuale su un sottoinsieme di dati.

Esiste un metodo equivalente che non richiede di disegnare la curva: si confronta ogni esempio positivo con ogni esempio negativo, si assegna un punto se il positivo ha un punteggio più alto, mezzo punto in caso di parità, zero altrimenti, e si fa la media di tutti i confronti. Il risultato è identico all’area sotto la curva e corrisponde, in statistica, alla statistica U di Mann-Whitney normalizzata.

In generale, un singolo numero di AUC non mostra i dettagli della matrice di confusione e delle metriche specifiche alla soglia scelta. È per questo che su un modello destinato alla produzione conviene chiedere sempre anche la matrice di confusione alla soglia scelta, non solo l’area sotto la curva.

## AUC-ROC o PR-AUC: quale usare

La scelta tra AUC-ROC e PR-AUC dipende da quanto è sbilanciato il dataset tra le due classi, non da una preferenza personale.

### Se il dataset è bilanciato: usa l’AUC-ROC

Con una proporzione simile tra esempi positivi e negativi, l’AUC-ROC offre un confronto affidabile tra modelli diversi: il modello con l’area maggiore è di norma quello migliore, e il valore resta stabile anche cambiando il taglio tra le classi.

### Se il dataset è sbilanciato: considera la PR-AUC

Quando i casi positivi sono rari, per esempio un ordine fraudolento ogni cento transazioni, l’AUC-ROC resta alta anche se il modello produce molti falsi allarmi, perché il tasso di falsi positivi si calcola solo sui negativi, che sono la maggioranza. La curva precisione-richiamo mette invece in evidenza quei falsi allarmi, perché la precisione crolla ogni volta che il modello segnala un caso sbagliato tra i pochi positivi reali.

## Limiti dell’AUC-ROC da conoscere prima di usarla

L’AUC-ROC dipende solo dall’ordine dei punteggi, non dal loro valore assoluto: una trasformazione che conserva l’ordinamento, come elevare al quadrato le probabilità, lascia l’AUC invariata anche se le probabilità diventano meno affidabili come stima reale del rischio. Chi fa consulenza spesso riduce tutto a un numero solo, e l’AUC si presta a questo errore: va controllata insieme a una misura di calibrazione, come il Brier score, prima di usare quelle probabilità per decisioni economiche.

L’AUC-ROC non si applica al rilevamento di oggetti nelle immagini, perché in quel compito i casi negativi sono praticamente infiniti (ogni porzione di immagine senza l’oggetto cercato) e il tasso di falsi positivi perde significato: in quel campo si usa la media delle aree sotto le curve precisione-richiamo, nota come mAP. In ambito di scoring creditizio, invece, l’AUC si traduce spesso nel coefficiente di Gini, calcolato come 2 × AUC − 1.

## Errori frequenti nel leggere l’AUC-ROC

L’errore più comune è confrontare due modelli solo sull’AUC-ROC senza controllare se sono stati testati sullo stesso insieme di dati: un AUC più alto calcolato su un test set diverso non dice nulla sul modello migliore.

Un altro errore ricorrente è trattare l’AUC come se fosse l’accuratezza: l’accuratezza misura le previsioni corrette a una sola soglia e può sembrare ottima su dati sbilanciati pur non individuando quasi nessun caso positivo, mentre l’AUC valuta l’ordinamento a tutte le soglie insieme. Il [F1-score](https://www.conseolente.it/f1-score-definizione/) risponde a una domanda diversa: combina precisione e richiamo a una soglia singola e va usato quando interessa il comportamento del modello in quel punto operativo preciso. Capita spesso che chi valuta un fornitore di software con uno “score di qualità del traffico” o di “rischio frode” prenda per buono un AUC alto senza sapere su quale soglia il sistema sta effettivamente operando: la domanda da fare al fornitore riguarda la soglia a cui lavora il sistema e cosa succede ai falsi positivi a quella soglia.

Un terzo errore riguarda il confronto tra più run dello stesso modello addestrato con suddivisioni diverse dei dati: senza una tecnica di [validazione incrociata](https://www.conseolente.it/cross-validation-definizione-funzionamento/), un AUC singolo può dipendere più dalla suddivisione casuale dei dati che dalla qualità reale del modello.

## Domande frequenti sull’AUC-ROC

### Cos’è la curva ROC?

La curva ROC è il grafico che mette in relazione la percentuale di veri positivi e quella di falsi positivi di un classificatore binario mentre la soglia di decisione cambia da 0 a 1, mostrando tutti i compromessi possibili tra le due grandezze.

### Cos’è l’AUC?

L’AUC è l’area sotto la curva ROC, un valore tra 0 e 1 che riassume in un solo numero la capacità del modello di ordinare correttamente gli esempi positivi rispetto ai negativi, a prescindere dalla soglia scelta.

### Come si calcola l’AUC?

L’AUC si calcola sommando le aree dei trapezi formati dai punti della curva ROC, oppure confrontando a coppie ogni esempio positivo con ogni esempio negativo; librerie come scikit-learn restituiscono il valore con la funzione roc_auc_score.

### Qual è la differenza tra AUC-ROC e PR-AUC?

L’AUC-ROC confronta veri positivi e falsi positivi ed è stabile anche con classi sbilanciate, mentre la PR-AUC confronta precisione e richiamo e mostra meglio l’effetto dei falsi positivi quando i casi positivi sono rari.

### L’AUC-ROC funziona anche con più di due classi?

Nella sua forma originale l’AUC-ROC è definita solo per due classi; con più classi si calcola confrontando ogni classe con tutte le altre e si fa una media, come avviene nella funzione multi_class di scikit-learn.

### Cosa significa AUC in ambito medico?

In ambito diagnostico l’AUC misura l’accuratezza di un test clinico nel distinguere pazienti malati da sani a ogni soglia di cut-off, con la stessa logica usata per i modelli di classificazione binaria nel machine learning.

### Un AUC-ROC sotto 0,5 è sempre un errore?

Un AUC sotto 0,5 indica che il modello ordina le classi al contrario di quanto dovrebbe; in alcuni casi invertire l’etichetta delle predizioni riporta l’AUC sopra 0,5, ma la causa dell’errore va comunque verificata prima di applicare questa correzione.

## Fonti e riferimenti

- [ROC-AUC Calculator](https://metricgate.com/docs/roc-auc/) google.com