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.
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.
- 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
- Milyen AUC-érték felel meg egy olyan osztályozónak, amely nem teljesít jobban, mint a véletlenszerű találgatás?
- 0.0
- 0.5
- 0,75
- 1.0
- 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
- 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
- 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
- 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
- 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