Kvíz spojený s průvodcem · Střední úroveň
Křivky ROC a AUC kvíz
Zkontrolujte, co měří ROC-AUC, jak to souvisí s hodnocením a prahovými hodnotami a proč kalibrace nebo nevyváženost potřebují samostatnou analýzu.
Otázka 1 z 8
Jaké dvě veličiny vynese křivka ROC proti sobě?
Náhled každé otázky8 otázky
Odpovědi a vysvětlení se zobrazují, jak budete v kvízu.
- Jaké dvě veličiny vynese křivka ROC proti sobě?
- Skutečně pozitivní vs. falešně pozitivní míra
- Přesnost vs
- Přesnost vs. práh
- Citlivost vs. přesnost
- Jaká hodnota AUC odpovídá klasifikátoru, který nefunguje lépe než náhodné hádání?
- 0,0
- 0,5
- 0,75
- 1,0
- AUC lze interpretovat jako pravděpodobnost, že model:
- Správně klasifikuje náhodně vybraný vzorek
- Dosahuje více než 90% přesnosti
- Skóre náhodně pozitivní je vyšší než náhodně negativní
- Má nula falešných poplachů
- Proč je AUC popsána jako „nezávislá na prahu“?
- Funguje pouze při prahu 0,5
- Zcela ignoruje pozitivní třídu
- Vyžaduje to kalibrované pravděpodobnosti
- Integruje výkon napříč všemi možnými prahy
- U silně nevyvážené datové sady, která křivka se často doporučuje vedle ROC nebo místo něj, protože ROC může vypadat příliš optimisticky?
- Precision-Recall křivka
- Křivka učení
- Kalibrační křivka
- Ztrátová křivka
- Bod v levém horním rohu ROC prostoru představuje:
- Vysoká falešně pozitivní a nízká pravda pozitivní
- Dokonalé nebo téměř dokonalé oddělení
- Náhodný výkon
- Špatně zkalibrovaný model
- 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
- 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