Kuiz berkaitan panduan · Sederhana Tahap

ROC Curves dan Kuiz AUC

Semak apa yang ROC-AUC ukuran, bagaimana ia berkaitan dengan kedudukan dan ambang, dan mengapa penentukuran atau ketidakseimbangan memerlukan analisis berasingan.

Laluan panduan yang berkaitanRoc Curves Dan Auc
soalan 1 daripada 8

Apakah dua kuantiti yang plot lengkung ROC terhadap satu sama lain?

Pratonton setiap soalan8 soalan

Jawapan dan penjelasan muncul semasa anda mengambil kuiz.

  1. Apakah dua kuantiti yang plot lengkung ROC terhadap satu sama lain?
    • Kadar Positif Benar lwn Kadar Positif Palsu
    • Ketepatan lwn. Ingat
    • Ketepatan lwn. Ambang
    • Kepekaan lwn. Ketepatan
  2. Apakah nilai AUC yang sepadan dengan pengelas yang berprestasi tidak lebih baik daripada meneka rawak?
    • 0.0
    • 0.5
    • 0.75
    • 1.0
  3. AUC boleh ditafsirkan sebagai kebarangkalian bahawa model:
    • Mengelaskan sampel yang dipilih secara rawak dengan betul
    • Mencapai lebih 90% ketepatan
    • Menjaringkan positif rawak lebih tinggi daripada negatif rawak
    • Mempunyai sifar positif palsu
  4. Mengapakah AUC digambarkan sebagai 'bebas ambang'?
    • Ia hanya berfungsi pada ambang 0.5
    • Ia mengabaikan kelas positif sepenuhnya
    • Ia memerlukan kebarangkalian yang ditentukur
    • Ia menyepadukan prestasi merentas semua ambang yang mungkin
  5. Untuk set data yang sangat tidak seimbang, lengkung manakah yang sering disyorkan bersama atau bukannya ROC kerana ROC boleh kelihatan terlalu optimistik?
    • Keluk Precision-Recall
    • Keluk pembelajaran
    • Keluk penentukuran
    • Keluk kerugian
  6. Satu titik di sudut kiri atas ruang ROC mewakili:
    • Positif palsu tinggi dan positif benar rendah
    • Pemisahan yang sempurna atau hampir sempurna
    • Prestasi rawak
    • Model yang salah ukur
  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