Alıcı İşletim Karakteristik (ROC) ve Curve (AUC) altında Alan, denetimli sınıflandırma modellerinin performansını değerlendirmek için kullanılan önemli ölçümlerdir. Farklı eşler arasındaki sınıfların nasıl iyi bir şekilde ayırt edici olduğunu anlamalarına yardımcı oluyorlar.

ROC Curve

ROC eğrisi, yanlış pozitif oran (sensitivite) karşı gerçek pozitif oranı (özelliklere) çeşitli eşgüdüm ayarlarında aranır. Olumlu ve negatif sınıflar arasında ayrım yapabilme yeteneği sağlar.

Hesaplamak AUC

Curve Alanı (AUC) sınıfları ayırt etmek için modelin genel yeteneğini sayısal olarak ölçmektedir. Bir AUC of 0,5, ayrımcı bir yetenek olmadığını, rastgele tahminlere eşdeğer bir 1.0 işareti mükemmel bir sınıflandırmayı gösterir.

ROC ve AUC'yu yorumlayın

Yüksek AUC değerleri daha iyi model performansı öneriyor. modelleri karşılaştırdığında, yüksek AUC ile olan kişi genellikle tercih edilir. Ancak, bağlamı ve belirli uygulama koşullarını dikkate almak önemlidir.

Pratikler

ROC ve AUC, sınıfların dengeli olduğu en kullanışlıdır. Riskli veri kümeleri, diğer ölçümler daha fazla bilgi sağlayabilir. Ayrıca bu ölçümlerin aşırı yüklemeden kaçınmak için de önemlidir.