গাইড লিঙ্ক ক্যুইজ · মাঝারি স্তর

ROC কার্ভস এবং AUC কুইজ

ROC-AUC কি পরিমাপ করে, এটি কীভাবে র‌্যাঙ্কিং এবং থ্রেশহোল্ডের সাথে সম্পর্কিত এবং কেন ক্রমাঙ্কন বা ভারসাম্যহীনতা আলাদা বিশ্লেষণের প্রয়োজন তা পরীক্ষা করুন।

সম্পর্কিত গাইড পাথRoc কার্ভস এবং Auc
প্রশ্ন 1 এর 8

একটি ROC বক্ররেখা একে অপরের বিরুদ্ধে কোন দুটি পরিমাণে প্লট করে?

প্রতিটি প্রশ্নের পূর্বরূপ দেখুন8 প্রশ্ন

আপনি কুইজ নেওয়ার সাথে সাথে উত্তর এবং ব্যাখ্যাগুলি উপস্থিত হয়।

  1. একটি ROC বক্ররেখা একে অপরের বিরুদ্ধে কোন দুটি পরিমাণে প্লট করে?
    • সত্য ইতিবাচক হার বনাম মিথ্যা ইতিবাচক হার
    • নির্ভুলতা বনাম রিকল
    • নির্ভুলতা বনাম থ্রেশহোল্ড
    • সংবেদনশীলতা বনাম যথার্থতা
  2. কোন AUC মান একটি শ্রেণীবিভাগের সাথে মিলে যায় যা এলোমেলো অনুমান করার চেয়ে ভাল কাজ করে না?
    • 0.0
    • 0.5
    • 0.75
    • 1.0
  3. AUC কে সম্ভাব্যতা হিসাবে ব্যাখ্যা করা যেতে পারে যে মডেল:
    • এলোমেলোভাবে নির্বাচিত নমুনাকে সঠিকভাবে শ্রেণীবদ্ধ করে
    • 90% এর বেশি নির্ভুলতা অর্জন করে
    • একটি এলোমেলো নেতিবাচক থেকে একটি র্যান্ডম ইতিবাচক উচ্চ স্কোর
    • শূন্য মিথ্যা ইতিবাচক আছে
  4. কেন AUC 'থ্রেশহোল্ড-স্বাধীন' হিসাবে বর্ণনা করা হয়?
    • এটি শুধুমাত্র 0.5 থ্রেশহোল্ডে কাজ করে
    • এটি ইতিবাচক শ্রেণীকে সম্পূর্ণরূপে উপেক্ষা করে
    • এটি ক্রমাঙ্কিত সম্ভাব্যতা প্রয়োজন
    • এটি সমস্ত সম্ভাব্য থ্রেশহোল্ড জুড়ে কর্মক্ষমতা সংহত করে
  5. একটি ভারী ভারসাম্যহীন ডেটাসেটের জন্য, কোন বক্ররেখাটি প্রায়শই ROC এর পাশে বা পরিবর্তে সুপারিশ করা হয় কারণ ROC অত্যধিক আশাবাদী দেখতে পারে?
    • যথার্থ-রিকল বক্ররেখা
    • শেখার বক্ররেখা
    • ক্রমাঙ্কন বক্ররেখা
    • ক্ষতি বক্ররেখা
  6. ROC স্থানের উপরের-বাম কোণে একটি বিন্দু প্রতিনিধিত্ব করে:
    • উচ্চ মিথ্যা ইতিবাচক এবং কম সত্য ইতিবাচক
    • নিখুঁত বা কাছাকাছি-নিখুঁত বিচ্ছেদ
    • এলোমেলো কর্মক্ষমতা
    • একটি ভুল পরিমাপ করা মডেল
  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