ROC krivulja (receiver operating characteristic) pokazuje koliko dobro model klasifikacije razdvaja dvije klase. Za svaki mogući prag odlučivanja prikazuje stopu istinitih pozitiva (odziv) u odnosu na stopu lažnih pozitiva. Što se krivulja više približava gornjem lijevom kutu, to je bolje; dijagonala odgovara čistom pogađanju. Površina ispod krivulje (AUC) sažima krivulju u jedan broj i pomaže, primjerice, pri usporedbi različitih modela za otkrivanje prijevara.
Agenti, tijekovi rada i predlošci u jednom radnom prostoru – besplatna demo verzija na 24 sata.
Pokrenite demoPovršina ispod krivulje (AUC) metrika je za klasifikacijske modele, a obično se odnosi na ROC krivulju. Pokazuje koliko dobro model razdvaja pozitivne od negativnih slučajeva, neovisno o određenom pragu. Vrijednost 1 znači savršeno razdvajanje; 0,5 nije bolje od pogađanja. Primjer: model odlaska klijenata s AUC-om od 0,85 u 85 % slučajeva nasumično odabranog klijenta koji odlazi rangira kao rizičnijeg od lojalnog.
Odziv (recall), poznat i kao osjetljivost ili stopa istinitih pozitiva, mjeri koji udio stvarnih pozitivnih slučajeva model otkriva: ispravno prepoznati pozitivni slučajevi podijeljeni sa svim stvarnim pozitivnima. Ako filtar za prijevare uhvati 80 od 100 stvarnih slučajeva prijevare, njegov je odziv 0,8. Visok odziv važan je kada su propušteni slučajevi skupi, primjerice u medicinskoj dijagnostici. Budući da zanemaruje lažne uzbune, obično se promatra zajedno s preciznošću, primjerice u F-mjeri.
Matrica zabune (confusion matrix) tablica je koja uspoređuje predviđanja klasifikatora sa stvarnim klasama. Za dvije klase prikazuje istinito pozitivne, lažno pozitivne, istinito negativne i lažno negativne slučajeve. Iz toga se mogu izračunati metrike poput preciznosti, odziva i F1 mjere te postaje jasno koje se pogreške javljaju. Primjer: filtar za spam koji mnoge prave e-poruke označi kao spam ima mnogo lažno pozitivnih, što je često skuplje od propuštene spam poruke.
Klasifikator je model ili metoda koja unose razvrstava u jednu od nekoliko unaprijed definiranih kategorija. Klasične varijante poput stabala odlučivanja ili naivnog Bayesa treniraju se na označenim primjerima; jezični modeli mogu razvrstavati tekstove i na temelju opisa kategorija. Tipične primjene uključuju prepoznavanje spama, razvrstavanje upita klijenata po temama i kategoriziranje računa. Kvaliteta se mjeri metrikama poput točnosti, preciznosti i odziva.
