Rehber bağlantılı sınav · Orta Seviye

ROC Eğrileri ve AUC Testi

ROC-AUC'nin neyi ölçtüğünü, bunun sıralama ve eşiklerle nasıl ilişkili olduğunu ve kalibrasyon veya dengesizliğin neden ayrı bir analize ihtiyaç duyduğunu kontrol edin.

İlgili kılavuz yollarıRoc Eğrileri ve Auc
Soru 1 arasında 8

Bir ROC eğrisi hangi iki miktarın birbirine karşı grafiğini çizer?

Her soruyu önizleyin8 sorular

Testi çözdüğünüzde cevaplar ve açıklamalar görünür.

  1. Bir ROC eğrisi hangi iki miktarın birbirine karşı grafiğini çizer?
    • Doğru Pozitif Oranı ve Yanlış Pozitif Oranı
    • Hassasiyet ve Geri Çağırma
    • Doğruluk ve Eşik
    • Hassasiyet ve Hassasiyet
  2. Rastgele tahminden daha iyi performans göstermeyen bir sınıflandırıcıya hangi AUC değeri karşılık gelir?
    • 0,0
    • 0,5
    • 0,75
    • 1.0
  3. AUC, modelin olasılığı olarak yorumlanabilir:
    • Rastgele seçilen bir örneği doğru şekilde sınıflandırır
    • %90'ın üzerinde doğruluk elde eder
    • Rastgele bir negatiften daha yüksek bir rastgele pozitif puan alır
    • Sıfır yanlış pozitifliğe sahiptir
  4. AUC neden 'eşikten bağımsız' olarak tanımlanıyor?
    • Yalnızca 0,5 eşik değerinde çalışır
    • Pozitif sınıfı tamamen görmezden gelir
    • Kalibre edilmiş olasılıklar gerektirir
    • Performansı olası tüm eşik değerlerine entegre eder
  5. Oldukça dengesiz bir veri kümesi için, ROC aşırı iyimser görünebileceği için genellikle ROC'nin yanında veya yerine hangi eğri önerilir?
    • Hassasiyet-Geri Çağırma eğrisi
    • Öğrenme eğrisi
    • Kalibrasyon eğrisi
    • Kayıp eğrisi
  6. ROC uzayının sol üst köşesindeki bir nokta şunu temsil eder:
    • Yüksek yanlış pozitifler ve düşük gerçek pozitifler
    • Mükemmel veya mükemmele yakın ayırma
    • Rastgele performans
    • Yanlış kalibre edilmiş bir 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