Quiz połączony z przewodnikiem · Średni Poziom

Krzywe ROC i quiz AUC

Sprawdź, co mierzy ROC-AUC, jaki ma to związek z rankingiem i progami oraz dlaczego kalibracja lub niewyważenie wymagają osobnej analizy.

Powiązane ścieżki prowadząceKrzywe Roc i Auc
Pytanie 1 z 8

Jakie dwie wielkości wykreśla względem siebie krzywa ROC?

Podgląd każdego pytania8 pytania

Odpowiedzi i wyjaśnienia pojawiają się w miarę rozwiązywania quizu.

  1. Jakie dwie wielkości wykreśla względem siebie krzywa ROC?
    • Prawdziwie dodatni współczynnik a fałszywie dodatni współczynnik
    • Precyzja a przywołanie
    • Dokładność a próg
    • Czułość a precyzja
  2. Jaka wartość AUC odpowiada klasyfikatorowi, który nie działa lepiej niż zgadywanie losowe?
    • 0,0
    • 0,5
    • 0,75
    • 1,0
  3. AUC można interpretować jako prawdopodobieństwo, że model:
    • Poprawnie klasyfikuje losowo wybraną próbkę
    • Osiąga ponad 90% dokładności
    • Wynik losowy pozytywny jest wyższy niż losowy wynik negatywny
    • Ma zero fałszywych alarmów
  4. Dlaczego AUC określa się jako „niezależne od progu”?
    • Działa tylko przy progu 0,5
    • Całkowicie ignoruje klasę pozytywną
    • Wymaga skalibrowanych prawdopodobieństw
    • Integruje wydajność na wszystkich możliwych progach
  5. Która krzywa jest często zalecana obok lub zamiast ROC w przypadku silnie niezrównoważonego zbioru danych, ponieważ ROC może wyglądać zbyt optymistycznie?
    • Krzywa precyzji i przypomnienia
    • Krzywa uczenia się
    • Krzywa kalibracji
    • Krzywa straty
  6. Punkt w lewym górnym rogu przestrzeni ROC reprezentuje:
    • Wysoka liczba wyników fałszywie dodatnich i niska liczba wyników prawdziwych
    • Idealna lub prawie idealna separacja
    • Losowe wykonanie
    • Źle skalibrowany 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