Fogalomtár

ROC-görbe

Mi a(z) ROC-görbe?

A ROC-görbe (receiver operating characteristic) azt mutatja, mennyire jól választ szét egy osztályozó modell két osztályt. Minden lehetséges döntési küszöbhöz ábrázolja a valódi pozitív arányt (fedést) a hamis pozitív aránnyal szemben. Minél közelebb ér a görbe a bal felső sarokhoz, annál jobb; az átló a puszta találgatásnak felel meg. A görbe alatti terület (AUC) egyetlen számban foglalja össze a görbét, és segít például különböző csalásfelismerő modellek összehasonlításában.

Témák

mérőszám
modellértékelés
osztályozás

Próbálja ki a KI.ordót

Ügynökök, munkafolyamatok és sablonok egyetlen munkaterületen – ingyenes, 24 órás demó.

Demó indítása

← Minden fogalom

Kapcsolódó fogalmak

ROC-görbe alatti terület (AUC)

A görbe alatti terület (Area Under the Curve, AUC) az osztályozási modellek mérőszáma, többnyire a ROC-görbére vonatkozik. Azt mutatja meg, mennyire jól különíti el a modell a pozitív és a negatív eseteket, egy adott küszöbértéktől függetlenül. Az 1-es érték tökéletes elkülönítést jelent; a 0,5 nem jobb a találgatásnál. Példa: egy 0,85-ös AUC-jú elvándorlási modell az esetek 85%-ában kockázatosabbnak rangsorol egy véletlenszerűen választott távozó ügyfelet, mint egy hűségeset.

értékelési mérőszám
ROC
+1

Fedés (recall) a gépi tanulásban

A fedés (recall; más néven érzékenység vagy valódi pozitív arány) azt méri, hogy a modell a tényleges pozitív esetek mekkora hányadát ismeri fel: a helyesen azonosított pozitívak osztva az összes valódi pozitívval. Ha egy csalásszűrő a 100 valódi csalási esetből 80-at elkap, a fedése 0,8. A magas fedés akkor fontos, ha a kihagyott esetek költségesek, például az orvosi diagnosztikában. Mivel a téves riasztásokat figyelmen kívül hagyja, általában a pontossággal (precision) együtt vizsgálják, például az F-értékben.

mérőszám
modellértékelés
+1

Tévesztési mátrix

A tévesztési mátrix (confusion matrix) olyan táblázat, amely egy osztályozó előrejelzéseit a tényleges osztályokkal veti össze. Két osztály esetén megmutatja az igaz pozitívokat, a hamis pozitívokat, az igaz negatívokat és a hamis negatívokat. Ebből olyan mérőszámok számíthatók ki, mint a pontosság, a fedés és az F1-érték, és világossá válik, milyen hibák fordulnak elő. Példa: az a spamszűrő, amely sok valódi e-mailt jelöl spamnek, sok hamis pozitívat produkál, ami gyakran költségesebb, mint egy átcsúszott spam.

Modellértékelés
Besorolás
+1

Osztályozó

Az osztályozó olyan modell vagy módszer, amely a bemeneteket több előre meghatározott kategória egyikébe sorolja. A klasszikus változatokat, például a döntési fákat vagy a naiv Bayes-t címkézett példákon tanítják; a nyelvi modellek a kategóriák leírása alapján is képesek szövegeket rendezni. Tipikus felhasználás a spamfelismerés, az ügyfélmegkeresések téma szerinti rendezése és a bizonylatok kategorizálása. A minőséget olyan mérőszámokkal mérik, mint a helyesség, a pontosság és a fedés.

Besorolás
Gépi tanulás
+1

Sablon