แบบทดสอบที่เชื่อมโยงกับคำแนะนำ · ปานกลาง ระดับ

ROC Curves และแบบทดสอบ AUC

ตรวจสอบว่า ROC-AUC ใช้มาตรการใด เกี่ยวข้องกับการจัดอันดับและเกณฑ์อย่างไร และเหตุใดการสอบเทียบหรือความไม่สมดุลจึงต้องมีการวิเคราะห์แยกกัน

เส้นทางแนะนำที่เกี่ยวข้องRoc Curves และออค
คำถาม 1 ของ 8

เส้นโค้ง ROC ของปริมาณสองจำนวนใดที่พล็อตซึ่งกันและกัน

ดูตัวอย่างทุกคำถาม8 คำถาม

คำตอบและคำอธิบายจะปรากฏขึ้นเมื่อคุณทำแบบทดสอบ

  1. เส้นโค้ง ROC ของปริมาณสองจำนวนใดที่พล็อตซึ่งกันและกัน
    • อัตราผลบวกที่แท้จริงเทียบกับอัตราผลบวกลวง
    • ความแม่นยำเทียบกับการเรียกคืน
    • ความแม่นยำเทียบกับเกณฑ์
    • ความไวกับความแม่นยำ
  2. ค่า AUC ใดที่สอดคล้องกับตัวจําแนกที่มีประสิทธิภาพไม่ดีไปกว่าการเดาแบบสุ่ม
    • 0.0
    • 0.5
    • 0.75
    • 1.0
  3. AUC สามารถตีความได้ว่าเป็นความน่าจะเป็นที่แบบจำลอง:
    • จำแนกตัวอย่างที่เลือกแบบสุ่มได้อย่างถูกต้อง
    • ให้ความแม่นยำมากกว่า 90%
    • ให้คะแนนผลบวกแบบสุ่มมากกว่าผลลบแบบสุ่ม
    • ไม่มีผลบวกลวงเป็นศูนย์
  4. เหตุใด AUC จึงถูกอธิบายว่า 'ไม่ขึ้นอยู่กับเกณฑ์'
    • ใช้งานได้ที่เกณฑ์ 0.5 เท่านั้น
    • มันละเว้นคลาสเชิงบวกโดยสิ้นเชิง
    • มันต้องมีการปรับเทียบความน่าจะเป็น
    • โดยผสานรวมประสิทธิภาพตามเกณฑ์ที่เป็นไปได้ทั้งหมด
  5. สำหรับชุดข้อมูลที่ไม่สมดุลอย่างมาก เส้นโค้งใดที่มักแนะนำควบคู่ไปกับหรือแทน ROC เนื่องจาก ROC อาจมองในแง่ดีมากเกินไป
    • เส้นโค้งที่แม่นยำ-การเรียกคืน
    • เส้นโค้งการเรียนรู้
    • เส้นโค้งการสอบเทียบ
    • เส้นโค้งการสูญเสีย
  6. จุดที่มุมซ้ายบนของพื้นที่ ROC แสดงถึง:
    • ผลบวกลวงสูงและผลบวกจริงต่ำ
    • การแยกที่สมบูรณ์แบบหรือใกล้สมบูรณ์แบบ
    • ประสิทธิภาพแบบสุ่ม
    • โมเดลที่ปรับเทียบไม่ถูกต้อง
  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