Вікторина, пов’язана з посібником · Середній Рівень

Криві ROC і тест AUC

Перевірте, що вимірює ROC-AUC, як це пов’язано з рейтингом і пороговими значеннями та чому калібрування чи дисбаланс потребують окремого аналізу.

Пов'язані напрямні шляхиRoc Curves і Auc
Питання 1 з 8

Які дві величини порівнює одна з одною крива ROC?

Перегляньте кожне запитання8 запитання

Відповіді та пояснення з’являються під час виконання тесту.

  1. Які дві величини порівнює одна з одною крива ROC?
    • Рівень істинних позитивних результатів проти коефіцієнта помилкових позитивних результатів
    • Точність проти запам'ятовування
    • Точність проти порогу
    • Чутливість проти точності
  2. Яке значення AUC відповідає класифікатору, що працює не краще, ніж випадкове вгадування?
    • 0,0
    • 0,5
    • 0,75
    • 1.0
  3. AUC можна інтерпретувати як ймовірність того, що модель:
    • Правильно класифікує навмання обрану вибірку
    • Досягає понад 90% точності
    • Випадковий позитивний бал вище, ніж випадковий негативний
    • Має нуль помилкових спрацьовувань
  4. Чому AUC описується як «незалежний від порогу»?
    • Він працює лише при порозі 0,5
    • Він повністю ігнорує позитивний клас
    • Для цього потрібні калібровані ймовірності
    • Він об’єднує продуктивність за всіма можливими пороговими значеннями
  5. Для сильно незбалансованого набору даних, яку криву часто рекомендують поряд або замість ROC, оскільки ROC може виглядати надто оптимістично?
    • Крива Precision-Recall
    • Крива навчання
    • Калібрувальна крива
    • Крива втрат
  6. Точка у верхньому лівому куті простору ROC представляє:
    • Високі помилкові спрацьовування та низькі істинні спрацьовування
    • Ідеальне або майже ідеальне розділення
    • Випадкове виконання
    • Неправильно відкалібрована 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