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.
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.
- Какие две величины отображает кривая ROC друг против друга?
- Истинно положительный показатель против ложноположительного показателя
- Точность против отзыва
- Точность против порога
- Чувствительность против точности
- Какое значение AUC соответствует классификатору, который работает не лучше, чем случайное угадывание?
- 0,0
- 0,5
- 0,75
- 1.0
- 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
- 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.
- 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
- 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
- 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