Викторина, связанная с руководством · Средний Уровень

Кривые ROC и тест AUC

Узнайте, что измеряет ROC-AUC, как это связано с ранжированием и пороговыми значениями и почему калибровка или дисбаланс требуют отдельного анализа.

Связанные направляющие путиКривые Roc и Auc
Вопрос 1 из 8

Какие две величины отображает кривая ROC друг против друга?

Предварительный просмотр каждого вопроса8 вопросы

Ответы и пояснения появляются по мере прохождения теста.

  1. Какие две величины отображает кривая ROC друг против друга?
    • Истинно положительный показатель против ложноположительного показателя
    • Точность против отзыва
    • Точность против порога
    • Чувствительность против точности
  2. Какое значение AUC соответствует классификатору, который работает не лучше, чем случайное угадывание?
    • 0,0
    • 0,5
    • 0,75
    • 1.0
  3. AUC можно интерпретировать как вероятность того, что модель:
    • Правильно классифицирует случайно выбранную выборку
    • Достигает точности более 90%
    • Получает случайный положительный результат выше, чем случайный отрицательный.
    • Имеет ноль ложных срабатываний
  4. Почему AUC называют «независимой от порога»?
    • Работает только при пороге 0,5.
    • Он полностью игнорирует положительный класс
    • Это требует калиброванных вероятностей.
    • Он объединяет производительность по всем возможным пороговым значениям.
  5. Для сильно несбалансированного набора данных какую кривую часто рекомендуется использовать рядом с ROC или вместо него, поскольку ROC может выглядеть слишком оптимистично?
    • Кривая точности-отзыва
    • Кривая обучения
    • Калибровочная кривая
    • Кривая потерь
  6. Точка в верхнем левом углу пространства ROC представляет:
    • Высокий уровень ложных срабатываний и низкий уровень истинных срабатываний
    • Идеальное или почти идеальное разделение
    • Случайное исполнение
    • Неправильно откалиброванная модель
  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