ROC منحنی خطوط اور AUC کوئز

جب آپ کوئز دیتے ہیں تو جوابات اور وضاحتیں ظاہر ہوتی ہیں۔

1. ایک ROC وکر کونسی دو مقداریں ایک دوسرے کے خلاف پلاٹ کرتی ہیں؟
   • حقیقی مثبت شرح بمقابلہ غلط مثبت شرح
   • صحت سے متعلق بمقابلہ یاد کرنا
   • درستگی بمقابلہ حد
   • حساسیت بمقابلہ درستگی
2. کون سی AUC قدر ایک درجہ بندی سے مطابقت رکھتی ہے جو بے ترتیب اندازے سے بہتر کارکردگی نہیں دکھاتا؟
   • 0.0
   • 0.5
   • 0.75
   • 1.0
3. AUC کی تشریح اس امکان کے طور پر کی جا سکتی ہے کہ ماڈل:
   • تصادفی طور پر منتخب کردہ نمونے کی صحیح درجہ بندی کرتا ہے۔
   • 90% سے زیادہ درستگی حاصل کرتا ہے۔
   • بے ترتیب منفی سے زیادہ بے ترتیب مثبت اسکور کرتا ہے۔
   • صفر جھوٹے مثبت ہیں۔
4. AUC کو 'دہلی سے آزاد' کیوں بیان کیا گیا ہے؟
   • یہ صرف 0.5 کی حد پر کام کرتا ہے۔
   • یہ مثبت طبقے کو مکمل طور پر نظر انداز کرتا ہے۔
   • اس کے لیے انشانکن امکانات کی ضرورت ہے۔
   • یہ تمام ممکنہ حدوں میں کارکردگی کو مربوط کرتا ہے۔
5. بھاری عدم توازن والے ڈیٹاسیٹ کے لیے، اکثر ROC کے ساتھ یا اس کے بجائے کون سا وکر تجویز کیا جاتا ہے کیونکہ ROC حد سے زیادہ پر امید نظر آ سکتا ہے؟
   • Precision-Recall وکر
   • سیکھنے کا وکر
   • انشانکن وکر
   • نقصان کا وکر
6. ROC اسپیس کے اوپری بائیں کونے میں ایک نقطہ اس کی نمائندگی کرتا ہے:
   • زیادہ جھوٹے مثبت اور کم سچے مثبت
   • کامل یا قریب قریب کامل علیحدگی
   • بے ترتیب کارکردگی
   • ایک غلط ترتیب شدہ ماڈل
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