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.
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.
- 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
- Quale valore AUC corrisponde a un classificatore che non funziona meglio dell'ipotesi casuale?
- 0,0
- 0,5
- 0,75
- 1.0
- 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
- 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
- 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
- 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
- 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