منحنيات ROC واختبار AUC

تظهر الإجابات والتفسيرات أثناء إجراء الاختبار.

1. ما الكميتين اللتين يرسمهما منحنى ROC مقابل بعضهما البعض؟
   • المعدل الإيجابي الحقيقي مقابل المعدل الإيجابي الكاذب
   • الدقة مقابل الاسترجاع
   • الدقة مقابل العتبة
   • الحساسية مقابل الدقة
2. ما هي قيمة AUC التي تتوافق مع المصنف الذي لا يؤدي أداءً أفضل من التخمين العشوائي؟
   • 0.0
   • 0.5
   • 0.75
   • 1.0
3. يمكن تفسير AUC على أنه احتمال أن يكون النموذج:
   • يصنف بشكل صحيح عينة مختارة عشوائيا
   • يحقق دقة تزيد عن 90%
   • عشرات إيجابية عشوائية أعلى من سلبية عشوائية
   • لديه صفر ايجابيات كاذبة
4. لماذا توصف الجامعة الأمريكية بالقاهرة بأنها "مستقلة عن العتبة"؟
   • إنه يعمل فقط عند عتبة 0.5
   • يتجاهل الطبقة الإيجابية تماما
   • يتطلب احتمالات معايرة
   • فهو يدمج الأداء عبر جميع العتبات الممكنة
5. بالنسبة لمجموعة بيانات غير متوازنة بشكل كبير، ما هو المنحنى الذي يوصى به غالبًا بجانب أو بدلاً من ROC لأن ROC يمكن أن يبدو مفرطًا في التفاؤل؟
   • منحنى الاستدعاء الدقيق
   • منحنى التعلم
   • منحنى المعايرة
   • منحنى الخسارة
6. تمثل النقطة الموجودة في الزاوية العلوية اليسرى من مساحة ROC ما يلي:
   • إيجابيات كاذبة عالية وإيجابيات حقيقية منخفضة
   • الانفصال المثالي أو شبه المثالي
   • أداء عشوائي
   • نموذج غير معاير
7. Why can a model have a high ROC-AUC but poorly calibrated probability estimates?
   • AUC directly measures the distance between every predicted probability and its true label
   • Calibration is guaranteed whenever the ROC curve is above the diagonal
   • AUC depends on score ranking, so a monotonic score transformation can preserve ranking while changing probability values
   • AUC uses only one fixed classification threshold
8. What does partial AUC let an evaluator emphasize?
   • Only the model's training loss
   • Probability calibration across all score values
   • The number of labels in a multiclass model
   • Performance in a selected false-positive-rate region, such as the low-FPR range