Bài kiểm tra có liên kết hướng dẫn · Trung bình Cấp độ
Đường cong ROC và bài kiểm tra AUC
Kiểm tra các biện pháp ROC-AUC nào, nó liên quan như thế nào đến xếp hạng và ngưỡng cũng như lý do hiệu chuẩn hoặc mất cân bằng cần phân tích riêng.
Câu hỏi 1 của 8
Đường cong ROC vẽ đồ thị của hai đại lượng nào với nhau?
Xem trước mọi câu hỏi8 câu hỏi
Câu trả lời và giải thích xuất hiện khi bạn làm bài kiểm tra.
- Đường cong ROC vẽ đồ thị của hai đại lượng nào với nhau?
- Tỷ lệ dương tính thật so với tỷ lệ dương tính giả
- Độ chính xác và thu hồi
- Độ chính xác so với ngưỡng
- Độ nhạy so với độ chính xác
- Giá trị AUC nào tương ứng với một bộ phân loại hoạt động không tốt hơn việc đoán ngẫu nhiên?
- 0,0
- 0,5
- 0,75
- 1.0
- AUC có thể được hiểu là xác suất mà mô hình:
- Phân loại chính xác mẫu được chọn ngẫu nhiên
- Đạt độ chính xác trên 90%
- Điểm số dương ngẫu nhiên cao hơn điểm âm ngẫu nhiên
- Không có kết quả dương tính giả
- Tại sao AUC được mô tả là 'không phụ thuộc vào ngưỡng'?
- Nó chỉ hoạt động ở ngưỡng 0,5
- Nó hoàn toàn bỏ qua lớp tích cực
- Nó đòi hỏi xác suất hiệu chỉnh
- Nó tích hợp hiệu suất trên tất cả các ngưỡng có thể
- Đối với một tập dữ liệu mất cân bằng nặng nề, đường cong nào thường được đề xuất bên cạnh hoặc thay vì ROC vì ROC có thể trông quá lạc quan?
- Đường cong thu hồi chính xác
- Đường cong học tập
- Đường cong hiệu chuẩn
- Đường cong tổn thất
- Một điểm ở góc trên bên trái của không gian ROC biểu thị:
- Kết quả dương tính giả cao và kết quả dương tính thực sự thấp
- Sự tách biệt hoàn hảo hoặc gần hoàn hảo
- Hiệu suất ngẫu nhiên
- Mô hình được hiệu chỉnh sai
- 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