Cuestionario vinculado a una guía · Medio Nivel

Curvas ROC y cuestionario AUC

Compruebe qué mide ROC-AUC, cómo se relaciona con la clasificación y los umbrales, y por qué la calibración o el desequilibrio necesitan un análisis por separado.

Rutas de guía relacionadasRoc Curvas Y Auc
Pregunta 1 de 8

¿Qué dos cantidades representa una curva ROC entre sí?

Vista previa de cada pregunta8 preguntas

Las respuestas y explicaciones aparecen a medida que realiza el cuestionario.

  1. ¿Qué dos cantidades representa una curva ROC entre sí?
    • Tasa de verdaderos positivos frente a tasa de falsos positivos
    • Precisión versus recuperación
    • Precisión frente a umbral
    • Sensibilidad versus precisión
  2. ¿Qué valor de AUC corresponde a un clasificador que no funciona mejor que la adivinación aleatoria?
    • 0.0
    • 0,5
    • 0,75
    • 1.0
  3. El AUC se puede interpretar como la probabilidad de que el modelo:
    • Clasifica correctamente una muestra elegida al azar.
    • Logra más del 90% de precisión
    • Puntúa un positivo aleatorio más alto que un negativo aleatorio
    • No tiene falsos positivos
  4. ¿Por qué se describe a las AUC como "independientes del umbral"?
    • Sólo funciona en un umbral de 0,5.
    • Ignora por completo la clase positiva.
    • Requiere probabilidades calibradas
    • Integra el rendimiento en todos los umbrales posibles.
  5. Para un conjunto de datos muy desequilibrado, ¿qué curva se recomienda a menudo junto con la República de China o en lugar de ella porque la República de China puede parecer demasiado optimista?
    • Curva de recuperación de precisión
    • Curva de aprendizaje
    • Curva de calibración
    • Curva de pérdidas
  6. Un punto en la esquina superior izquierda del espacio ROC representa:
    • Altos falsos positivos y bajos verdaderos positivos
    • Separación perfecta o casi perfecta
    • Rendimiento aleatorio
    • Un modelo mal calibrado
  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