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.
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.
- 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
- Welke AUC-waarde komt overeen met een classificator die niet beter presteert dan willekeurig raden?
- 0,0
- 0,5
- 0,75
- 1,0
- 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
- 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
- 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
- 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
- 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