引导式测验 · 中等 等级

ROC 曲线和 AUC 测验

检查 ROC-AUC 测量的内容、它与排名和阈值的关系，以及为什么校准或不平衡需要单独分析。

相关引导路径Roc 曲线和 Auc
问题 1 的 8

ROC 曲线相互绘制哪两个量？

预览每个问题8 问题

当您参加测验时，就会出现答案和解释。

  1. ROC 曲线相互绘制哪两个量？
    • 真阳性率与假阳性率
    • 准确率与召回率
    • 准确度与阈值
    • 灵敏度与精度
  2. 什么 AUC 值对应于表现不比随机猜测更好的分类器？
    • 0.0
    • 0.5
    • 0.75
    • 1.0
  3. AUC 可以解释为模型的概率：
    • 对随机选择的样本进行正确分类
    • 准确率达到 90% 以上
    • 随机阳性得分高于随机阴性得分
    • 误报率为零
  4. 为什么 AUC 被描述为“阈值无关”？
    • 它仅在 0.5 阈值下起作用
    • 它完全忽略了正类
    • 它需要校准概率
    • 它集成了所有可能阈值的性能
  5. 对于严重不平衡的数据集，通常建议使用哪条曲线与 ROC 一起使用或代替 ROC，因为 ROC 可能看起来过于乐观？
    • 精确率-召回率曲线
    • 学习曲线
    • 校准曲线
    • 损耗曲线
  6. ROC 空间左上角的点表示：
    • 高假阳性和低真阳性
    • 完美或近乎完美的分离
    • 随机表现
    • 错误校准的模型
  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?
    • 仅模型的训练损失
    • 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