Útmutatóhoz kapcsolódó kvíz · Közepes Szint

ROC görbék és AUC kvíz

Check what ROC-AUC measures, how it relates to ranking and thresholds, and why calibration or imbalance need separate analysis.

Kapcsolódó útmutató utakRoc Curves és Auc
kérdés 1 -ból 8

Milyen két mennyiséget ábrázol egymáshoz képest egy ROC-görbe?

Tekintse meg az összes kérdést8 kérdéseket

A válaszok és magyarázatok megjelennek a kvíz kitöltésekor.

  1. Milyen két mennyiséget ábrázol egymáshoz képest egy ROC-görbe?
    • Valódi pozitív arány vs. hamis pozitív arány
    • Precizitás vs. visszahívás
    • Pontosság kontra küszöb
    • Érzékenység vs. pontosság
  2. Milyen AUC-érték felel meg egy olyan osztályozónak, amely nem teljesít jobban, mint a véletlenszerű találgatás?
    • 0.0
    • 0.5
    • 0,75
    • 1.0
  3. Az AUC úgy értelmezhető, mint annak a valószínűsége, hogy a modell:
    • Helyesen osztályozza a véletlenszerűen kiválasztott mintát
    • 90% feletti pontosságot ér el
    • A véletlenszerű pozitív pontszámot magasabb, mint a véletlen negatívat
    • Nulla hamis pozitív
  4. Miért nevezik az AUC-t „küszöbfüggetlennek”?
    • Csak 0,5-ös küszöbnél működik
    • Teljesen figyelmen kívül hagyja a pozitív osztályt
    • Ehhez kalibrált valószínűségekre van szükség
    • Integrálja a teljesítményt az összes lehetséges küszöbértéken
  5. Egy erősen kiegyensúlyozatlan adatkészlet esetén melyik görbét ajánlják gyakran a ROC mellé vagy helyett, mert a ROC túlságosan optimistának tűnhet?
    • Precíziós-visszahívási görbe
    • Tanulási görbe
    • Kalibrációs görbe
    • Veszteséggörbe
  6. A ROC tér bal felső sarkában lévő pont a következőket jelenti:
    • Magas a hamis pozitív és alacsony a valódi pozitív
    • Tökéletes vagy csaknem tökéletes elválasztás
    • Véletlenszerű teljesítmény
    • Rosszul kalibrált 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