#24. Метрики качества ранжирования. ROC-кривая | Машинное обучение
Вставка
- Опубліковано 21 кві 2022
- Как оценивать модели ранжирования данных. Характеристики False Positive Rate и True Positive Rate. Построение на их основе ROC-кривой (Receiver Operating Characteristic). Вычисление площадей AUC-ROC и индекс Джини (коэффициент Джини).
Инфо-сайт: proproprogs.ru/ml
Телеграм-канал: t.me/machine_learning_selfedu
как всегда великолепное объяснение!!!!!
Спасибо за видео.
Самая сложная для меня тема))) Очень хорошо объяснили, теперь и я все понял.
Одно из самых понятных разъяснений. Благодарю вас. Успехов вам
Спасибо! Fb мера понравилась. Не знал раньше)
Отличное видео!
спасибо, все очень доходчиво
👍👍👍👍👍
Немного непонятно с формальной точки зрения, как будет увеличиваться FPR, если там используется False, при этом модель никогда не ошибается? 10:56
В целом понятно, что при идеальном ранжировании мы сначала перебрали все объекты класса +1 и поднялись по оси TPR и остаются образы -1.
да, именно для идеальной, в реальной будут ошибки и мы начнем отходить от идеальной кривой
@@selfedu_rus здравствуйте! Вопрос про этот же момент. Не очень понятно, все таки, почему когда мы перебрали все положительные образы (то есть для идеальной модели достигли порога TPR = 1), то потом увеличивается FPR? То есть, не понятно как формируется горизонтальная линия вдоль оси FPR на графике ROC для идеальной модели.
Если модель не ошибается, то FPR всегда же равен 0? И тогда в числителе всегда будет 0 и этой полосы не должно быть
там на графике ошибка как я понял? внизу не FPR а 1-FPR. это получается доля верно обнаруженных отрицательных классификаций @@olbasdjirmyhamedov704
Благодарю Вас за прекрасные об'яснения! Планируется ли урок по многоклассовой классификации?
да, пару слов скажу ))
Если бы не ваши уроки, я бы бросил программирование.
Действительно ли прямая y=x называется наихудшей моделью? Ведь можно сделать и хуже)
да, наихудшая, т.к. если сделаете хуже, то просто инвертируйте и она станет лучше, чем y=x ))
@@selfedu_rus мудро, спасибо за ответ!)
Не совсем понял как получается, что площадь между диагональю и кривой равна 2*rocauc-1. Разве правильно не roc-auc-0.5?
умножьте свою формулу на 2 и получите формулу выше (удвоенная площадь, но это не влияет на оптимизацию)