Mit dem Guide verknüpftes Quiz · Mittel Ebene

ROC-Kurven und AUC-Quiz

Überprüfen Sie, was ROC-AUC misst, wie es mit Ranking und Schwellenwerten zusammenhängt und warum Kalibrierung oder Ungleichgewicht eine separate Analyse erfordern.

Verwandte FührungspfadeRoc-Kurven und Auc
Frage 1 von 8

Welche zwei Größen stellt eine ROC-Kurve gegeneinander dar?

Sehen Sie sich jede Frage in der Vorschau an8 Fragen

Während Sie am Quiz teilnehmen, werden Antworten und Erklärungen angezeigt.

  1. Welche zwei Größen stellt eine ROC-Kurve gegeneinander dar?
    • Richtig-Positiv-Rate vs. Falsch-Positiv-Rate
    • Präzision vs. Rückruf
    • Genauigkeit vs. Schwellenwert
    • Empfindlichkeit vs. Präzision
  2. Welcher AUC-Wert entspricht einem Klassifikator, der nicht besser abschneidet als zufällige Schätzungen?
    • 0,0
    • 0,5
    • 0,75
    • 1,0
  3. AUC kann als die Wahrscheinlichkeit interpretiert werden, dass das Modell:
    • Klassifiziert eine zufällig ausgewählte Stichprobe korrekt
    • Erreicht eine Genauigkeit von über 90 %
    • Bewertet ein zufälliges positives Ergebnis höher als ein zufälliges negatives Ergebnis
    • Hat keine Fehlalarme
  4. Warum wird AUC als „schwellenwertunabhängig“ beschrieben?
    • Es funktioniert nur bei einem Schwellenwert von 0,5
    • Die positive Klasse wird vollständig ignoriert
    • Es erfordert kalibrierte Wahrscheinlichkeiten
    • Es integriert die Leistung über alle möglichen Schwellenwerte hinweg
  5. Welche Kurve wird bei einem stark unausgeglichenen Datensatz häufig neben oder anstelle von ROC empfohlen, da ROC übermäßig optimistisch wirken kann?
    • Precision-Recall-Kurve
    • Lernkurve
    • Kalibrierungskurve
    • Verlustkurve
  6. Ein Punkt in der oberen linken Ecke des ROC-Raums stellt Folgendes dar:
    • Hohe Falsch-Positive-Werte und niedrige True-Positiv-Werte
    • Perfekte oder nahezu perfekte Trennung
    • Zufällige Leistung
    • Ein falsch kalibriertes Modell
  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