我將介紹最後一項關鍵的定量指標 ROC 曲線 (Receiver Operating Characteristic)，以衡量模型在區分不同災害類別時的信心程度。最後，我們將進行部署，將 ResNet34 冠軍模型公開化！

ROC 曲線用來評估分類器在各種閾值下的整體表現，橫軸為偽陽性率（FPR），縱軸為真陽性率（TPR）；其下方面積即 AUC（Area Under the Curve）。AUC 越接近 1，代表模型在不同閾值下都能以高信心把正負樣本區分開來；在多分類情境常採 one-vs-rest 或宏平均來彙整整體表現。由於 ROC/AUC 不依賴單一閾值，對類別不平衡相對較不敏感，因此常被視為穩健的衡量指標；但在極端不平衡時仍建議搭配 Precision–Recall 曲線一起解讀，避免高估模型實用性。

2. ROC 曲線實作與結果
   我使用 Fast.ai 和 Scikit-learn 等工具來計算並繪製多類別的平均 ROC 曲線。這張圖是 ResNet34 模型在驗證集上計算的 多分類 ROC 曲線 圖。它採用 One-vs-Rest (OvR) 策略繪製，即針對每一個類別，都將其視為「正樣本」，其餘所有類別視為「負樣本」，從而得到一條 ROC 曲線。
   

ResNet34 在測試集上不僅準確，而且其分類決策是高度可靠的，這為我們將其選為冠軍模型並部署到 Hugging Face Spaces 提供了強有力的技術支持。