Тест, свързан с ръководство · Среден Ниво

Криви ROC и тест за AUC

Проверете какво измерва ROC-AUC, как се свързва с класирането и праговете и защо калибрирането или дисбалансът се нуждаят от отделен анализ.

Свързани ръководни пътекиRoc Curves и Auc
Въпрос 1 на 8

Какви две величини изобразява ROC кривата едно спрямо друго?

Визуализирайте всеки въпрос8 въпроси

Отговорите и обясненията се появяват, докато отговаряте на теста.

  1. Какви две величини изобразява ROC кривата едно спрямо друго?
    • Истински положителен процент срещу фалшиво положителен процент
    • Прецизност срещу припомняне
    • Точност срещу праг
    • Чувствителност срещу прецизност
  2. Каква стойност на AUC съответства на класификатор, който не се представя по-добре от произволното отгатване?
    • 0,0
    • 0,5
    • 0,75
    • 1.0
  3. AUC може да се тълкува като вероятността моделът:
    • Правилно класифицира произволно избрана проба
    • Постига над 90% точност
    • Получава случаен положителен резултат по-висок от произволен отрицателен
    • Има нула фалшиви положителни резултати
  4. Защо AUC е описана като „независима от прага“?
    • Работи само при праг от 0,5
    • Той напълно игнорира положителния клас
    • Изисква калибрирани вероятности
    • Той интегрира производителност през всички възможни прагове
  5. За силно небалансиран набор от данни, коя крива често се препоръчва заедно или вместо ROC, тъй като ROC може да изглежда прекалено оптимистично?
    • Крива на прецизност-извикване
    • Крива на обучение
    • Крива на калибриране
    • Крива на загубата
  6. Точка в горния ляв ъгъл на ROC пространството представлява:
    • Високи фалшиви положителни резултати и ниски истински положителни резултати
    • Перфектно или почти перфектно разделяне
    • Случайна производителност
    • Грешно калибриран модел
  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