Gids-gekoppelde quiz · Middelmatig Niveau

ROC-curven en AUC-quiz

Controleer wat ROC-AUC meet, hoe dit zich verhoudt tot ranking en drempels, en waarom kalibratie of onbalans een aparte analyse nodig heeft.

Gerelateerde gidspadenRoc-curven en Auc
Vraag 1 van 8

Welke twee grootheden tekent een ROC-curve tegen elkaar uit?

Bekijk elke vraag8 vragen

Antwoorden en uitleg verschijnen terwijl je de quiz doet.

  1. Welke twee grootheden tekent een ROC-curve tegen elkaar uit?
    • Waar-positief percentage versus vals-positief percentage
    • Precisie versus terugroepen
    • Nauwkeurigheid versus drempel
    • Gevoeligheid versus precisie
  2. Welke AUC-waarde komt overeen met een classificator die niet beter presteert dan willekeurig raden?
    • 0,0
    • 0,5
    • 0,75
    • 1,0
  3. AUC kan worden geïnterpreteerd als de waarschijnlijkheid dat het model:
    • Classificeert een willekeurig gekozen monster correct
    • Bereikt een nauwkeurigheid van meer dan 90%
    • Scoort een willekeurig positief hoger dan een willekeurig negatief
    • Heeft nul valse positieven
  4. Waarom wordt de AUC beschreven als 'drempelonafhankelijk'?
    • Het werkt alleen bij een drempel van 0,5
    • Het negeert de positieve klasse volledig
    • Het vereist gekalibreerde waarschijnlijkheden
    • Het integreert prestaties over alle mogelijke drempels heen
  5. Welke curve wordt voor een sterk onevenwichtige dataset vaak aanbevolen naast of in plaats van ROC, omdat ROC er te optimistisch uit kan zien?
    • Precisie-Recall-curve
    • Leercurve
    • Kalibratiecurve
    • Verliescurve
  6. Een punt in de linkerbovenhoek van de ROC-ruimte vertegenwoordigt:
    • Hoge false positives en lage true positives
    • Perfecte of bijna perfecte scheiding
    • Willekeurige prestaties
    • Een verkeerd gekalibreerd model
  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