Quiz collegato alla guida · Medio Livello

Curve ROC e quiz AUC

Controlla cosa misura il ROC-AUC, come si collega alla classificazione e alle soglie e perché la calibrazione o lo squilibrio necessitano di un'analisi separata.

Percorsi guida correlatiCurve Roc E Auc
Domanda 1 di 8

Quali sono le due quantità che la curva ROC traccia l'una rispetto all'altra?

Anteprima di ogni domanda8 domande

Le risposte e le spiegazioni vengono visualizzate mentre rispondi al quiz.

  1. Quali sono le due quantità che la curva ROC traccia l'una rispetto all'altra?
    • Tasso di veri positivi rispetto a tasso di falsi positivi
    • Precisione vs. richiamo
    • Precisione rispetto alla soglia
    • Sensibilità vs precisione
  2. Quale valore AUC corrisponde a un classificatore che non funziona meglio dell'ipotesi casuale?
    • 0,0
    • 0,5
    • 0,75
    • 1.0
  3. L’AUC può essere interpretata come la probabilità che il modello:
    • Classifica correttamente un campione scelto casualmente
    • Raggiunge una precisione superiore al 90%.
    • Assegna un punteggio positivo casuale più alto di un negativo casuale
    • Ha zero falsi positivi
  4. Perché l'AUC è descritta come "indipendente dalla soglia"?
    • Funziona solo con una soglia di 0,5
    • Ignora completamente la classe positiva
    • Richiede probabilità calibrate
    • Integra le prestazioni su tutte le soglie possibili
  5. Per un set di dati fortemente sbilanciato, quale curva è spesso consigliata insieme o al posto della ROC perché la ROC può sembrare eccessivamente ottimistica?
    • Curva di precisione-richiamo
    • Curva di apprendimento
    • Curva di calibrazione
    • Curva di perdita
  6. Un punto nell'angolo in alto a sinistra dello spazio ROC rappresenta:
    • Alti falsi positivi e bassi veri positivi
    • Separazione perfetta o quasi perfetta
    • Prestazioni casuali
    • Un modello mal calibrato
  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