Эпоха (в обучении) — это один полный проход алгоритма обучения через весь тренировочный набор данных. Обучение нейросети обычно требует множества эпох, чтобы веса модели достаточно скорректировалис...
ROC Curve
Бонус за регистрацию!
Зарегистрируйся и получи бонус
ROC Curve (Receiver Operating Characteristic) — это графический инструмент оценки качества бинарного классификатора. Кривая отображает соотношение между долей верных положительных классификаций (TPR) и долей ложных положительных классификаций (FPR) при варьировании порога принятия решения. Площадь под кривой (AUC-ROC) является интегральной метрикой качества: чем она ближе к 1, тем лучше модель.
Что такое «ROC Curve» простыми словами
Модель выдает вероятность: «Болен на 60%». Где граница? Лечить всех, у кого >50%? Или >80%? ROC-кривая показывает, как меняется качество (сколько больных нашли vs сколько здоровых напугали) при выборе разных границ. AUC (площадь под кривой) — это одна оценка крутости модели. Если AUC=1, модель идеальна. Если 0.5 — она гадает, как монетка. Это лучший способ сравнить два классификатора.
Вопросы и ответы
Что показывает ROC-кривая?
График, иллюстрирующий диагностическую способность бинарного классификатора.
Что такое AUC-ROC?
Площадь под ROC-кривой. Оценивает качество ранжирования: вероятность того, что случайный позитивный пример получит оценку выше, чем случайный негативный.
Что значит AUC = 0.5?
AUC = 0.5 означает, что модель не обладает разделяющей способностью. ROC-кривая совпадает с диагональю. Это уровень случайного угадывания (для сбалансированных классов). Модель бесполезна. Идеальная модель имеет AUC = 1.0.
