Γλωσσάριο

Εμβαδόν κάτω από την καμπύλη (AUC)

Τι είναι Εμβαδόν κάτω από την καμπύλη (AUC);

Το εμβαδόν κάτω από την καμπύλη (Area under the curve, AUC) είναι μια μετρική για μοντέλα ταξινόμησης και αναφέρεται συνήθως στην καμπύλη ROC. Δείχνει πόσο καλά ένα μοντέλο διαχωρίζει τις θετικές από τις αρνητικές περιπτώσεις, ανεξάρτητα από οποιοδήποτε συγκεκριμένο κατώφλι. Τιμή 1 σημαίνει τέλειο διαχωρισμό· το 0,5 δεν είναι καλύτερο από την εικασία. Παράδειγμα: ένα μοντέλο διαρροής πελατών με AUC 0,85 κατατάσσει έναν τυχαία επιλεγμένο πελάτη που φεύγει ως πιο επικίνδυνο από έναν πιστό στο 85% των περιπτώσεων.

Θέματα

Μετρική αξιολόγησης
ROC
Κατάταξη

Δοκιμάστε το KI.ordo

Πράκτορες, ροές εργασιών και πρότυπα σε έναν χώρο εργασίας – δωρεάν επίδειξη 24 ωρών.

Έναρξη επίδειξης

← Όλοι οι όροι

Σχετικοί όροι

Καμπύλη ROC

Η καμπύλη ROC (receiver operating characteristic) δείχνει πόσο καλά ένα μοντέλο ταξινόμησης διαχωρίζει δύο κλάσεις. Για κάθε πιθανό όριο απόφασης απεικονίζει το ποσοστό αληθών θετικών (recall) έναντι του ποσοστού ψευδών θετικών. Όσο πιο κοντά φτάνει η καμπύλη στην πάνω αριστερή γωνία, τόσο καλύτερα· η διαγώνιος αντιστοιχεί σε καθαρή εικασία. Η περιοχή κάτω από αυτήν (AUC) συνοψίζει την καμπύλη σε έναν μόνο αριθμό και βοηθά, για παράδειγμα, στη σύγκριση διαφορετικών μοντέλων ανίχνευσης απάτης.

μετρική
αξιολόγηση μοντέλου
+1

Βαθμολογία F (F1 score)

Η βαθμολογία F (F-score) είναι μια μετρική για την αξιολόγηση μοντέλων ταξινόμησης. Η συνήθης βαθμολογία F1 είναι ο αρμονικός μέσος της ακρίβειας (precision – πόσα από τα προβλεπόμενα θετικά αποτελέσματα είναι σωστά) και της ανάκλησης (recall – πόσα από τα πραγματικά θετικά αποτελέσματα βρέθηκαν) και κυμαίνεται από 0 έως 1. Είναι ιδιαίτερα χρήσιμη με μη ισορροπημένα δεδομένα: ένα φίλτρο ανεπιθύμητης αλληλογραφίας που σχεδόν ποτέ δεν επισημαίνει spam μπορεί να έχει υψηλή ορθότητα αλλά χαμηλή βαθμολογία F1.

Μετρική αξιολόγησης
Κατάταξη
+1

Πίνακας σύγχυσης (confusion matrix)

Ένας πίνακας σύγχυσης (confusion matrix) είναι ένας πίνακας που συγκρίνει τις προβλέψεις ενός ταξινομητή με τις πραγματικές κλάσεις. Για δύο κλάσεις, δείχνει τα αληθή θετικά, τα ψευδώς θετικά, τα αληθή αρνητικά και τα ψευδώς αρνητικά. Από αυτόν μπορούν να υπολογιστούν μετρικές όπως η ακρίβεια, η ανάκληση και η βαθμολογία F1, και γίνεται σαφές ποια σφάλματα εμφανίζονται. Παράδειγμα: ένα φίλτρο ανεπιθύμητης αλληλογραφίας που επισημαίνει πολλά γνήσια email ως spam έχει πολλά ψευδώς θετικά, κάτι που συχνά κοστίζει περισσότερο από ένα μήνυμα spam που ξέφυγε.

Αξιολόγηση μοντέλων
Κατάταξη
+1

Απώλεια λογαρίθμου (log loss)

Η απώλεια λογαρίθμου (log loss, logarithmic loss) μετρά πόσο καλά οι προβλεπόμενες πιθανότητες ενός μοντέλου ταξινόμησης ταιριάζουν με τα πραγματικά αποτελέσματα. Οι βέβαιες αλλά λανθασμένες προβλέψεις τιμωρούνται ιδιαίτερα αυστηρά· μια τιμή κοντά στο μηδέν υποδεικνύει καλά βαθμονομημένες προβλέψεις. Παράδειγμα: αν ένα μοντέλο δίνει πιθανότητα διαρροής 95% για έναν πελάτη που μένει, η απώλεια λογαρίθμου αυξάνεται απότομα. Μαθηματικά είναι το ίδιο με τη δυαδική διασταυρούμενη εντροπία.

μετρική
ταξινόμηση
+1