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.

Související vodicí cestyRoc Křivky A Auc
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.

  1. Jaké dvě veličiny vynese křivka ROC proti sobě?
    • Skutečně pozitivní vs. falešně pozitivní míra
    • Přesnost vs
    • Přesnost vs. práh
    • Citlivost vs. přesnost
  2. Jaká hodnota AUC odpovídá klasifikátoru, který nefunguje lépe než náhodné hádání?
    • 0,0
    • 0,5
    • 0,75
    • 1,0
  3. 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
  4. 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
  5. 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
  6. 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
  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