Kuis terkait panduan · Sedang Tingkat

Kurva ROC dan Kuis AUC

Periksa apa yang diukur ROC-AUC, bagaimana kaitannya dengan peringkat dan ambang batas, dan mengapa kalibrasi atau ketidakseimbangan memerlukan analisis terpisah.

Jalur panduan terkaitKurva Roc Dan Auc
Pertanyaan 1 dari 8

Dua besaran apa yang diplotkan oleh kurva ROC terhadap satu sama lain?

Pratinjau setiap pertanyaan8 pertanyaan

Jawaban dan penjelasan muncul saat Anda mengikuti kuis.

  1. Dua besaran apa yang diplotkan oleh kurva ROC terhadap satu sama lain?
    • Tingkat Positif Sejati vs. Tingkat Positif Palsu
    • Presisi vs. Perolehan
    • Akurasi vs. Ambang Batas
    • Sensitivitas vs. Presisi
  2. Nilai AUC apa yang sesuai dengan pengklasifikasi yang kinerjanya tidak lebih baik daripada tebakan acak?
    • 0,0
    • 0,5
    • 0,75
    • 1.0
  3. AUC dapat diartikan sebagai probabilitas bahwa model:
    • Mengklasifikasikan sampel yang dipilih secara acak dengan benar
    • Mencapai akurasi lebih dari 90%.
    • Skor positif acak lebih tinggi daripada negatif acak
    • Tidak memiliki positif palsu
  4. Mengapa AUC digambarkan sebagai 'tidak bergantung pada ambang batas'?
    • Ini hanya bekerja pada ambang batas 0,5
    • Itu mengabaikan kelas positif sepenuhnya
    • Hal ini membutuhkan probabilitas yang dikalibrasi
    • Ini mengintegrasikan kinerja di semua ambang batas yang memungkinkan
  5. Untuk kumpulan data yang sangat tidak seimbang, kurva manakah yang sering direkomendasikan di samping atau sebagai pengganti ROC karena ROC terlihat terlalu optimis?
    • Kurva Perolehan Presisi
    • Kurva belajar
    • Kurva kalibrasi
    • Kurva kerugian
  6. Sebuah titik di sudut kiri atas ruang ROC mewakili:
    • Positif palsu yang tinggi dan positif benar yang rendah
    • Pemisahan sempurna atau hampir sempurna
    • Kinerja acak
    • Model yang salah kalibrasi
  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