Ten typ krzywej przedstawia czu\u0142o\u015b\u0107<\/strong> i specyfik\u0119<\/strong> modelu klasyfikacji:<\/span><\/p>\n O\u015b x krzywej<\/strong> ROC reprezentuje (1- Swoisto\u015b\u0107),<\/strong> a o\u015b y<\/strong> oznacza czu\u0142o\u015b\u0107<\/strong> :<\/span><\/span> <\/p>\n Im bardziej krzywa ROC pasuje do lewego g\u00f3rnego rogu wykresu, tym lepiej model jest w stanie sklasyfikowa\u0107 dane w kategorie.<\/span><\/p>\n Aby to okre\u015bli\u0107 ilo\u015bciowo, mo\u017cemy obliczy\u0107 AUC<\/strong> (obszar pod krzyw\u0105), kt\u00f3ry m\u00f3wi nam, jaka cz\u0119\u015b\u0107 wykresu znajduje si\u0119 pod krzyw\u0105.<\/span> <\/p>\n Im AUC jest bli\u017csze 1, tym lepszy model.<\/span><\/p>\n Por\u00f3wnuj\u0105c dwie krzywe ROC w celu ustalenia, kt\u00f3ry model klasyfikacji jest lepszy, cz\u0119sto sprawdzamy, kt\u00f3ra krzywa ROC \u201eprzytula si\u0119\u201d bli\u017cej lewego g\u00f3rnego rogu wykresu i dlatego ma wy\u017csz\u0105 warto\u015b\u0107 AUC.<\/span><\/p>\n Za\u0142\u00f3\u017cmy, \u017ce dopasowujemy model regresji logistycznej i model ze wzmocnionym gradientem do zbioru danych, aby przewidzie\u0107 wynik zmiennej odpowiedzi.<\/span><\/p>\n Za\u0142\u00f3\u017cmy, \u017ce nast\u0119pnie utworzymy krzywe ROC, aby zwizualizowa\u0107 wydajno\u015b\u0107 ka\u017cdego modelu:<\/span> <\/p>\n Niebieska linia przedstawia krzyw\u0105 ROC dla modelu regresji logistycznej, a pomara\u0144czowa linia przedstawia krzyw\u0105 ROC dla modelu ze wzmocnionym gradientem.<\/span><\/p>\n Z naszego wykresu mo\u017cemy zobaczy\u0107 nast\u0119puj\u0105ce warto\u015bci AUC dla ka\u017cdego modelu:<\/span><\/p>\n Poniewa\u017c model o ulepszonym gradiencie ma wy\u017csz\u0105 warto\u015b\u0107 AUC, powiedzieliby\u015bmy, \u017ce lepiej przewiduje wynik zmiennej odpowiedzi.<\/span><\/p>\n Uwaga<\/strong> : w tym przyk\u0142adzie por\u00f3wnali\u015bmy tylko dwie krzywe ROC, ale mo\u017cliwe jest dopasowanie kilku r\u00f3\u017cnych modeli klasyfikacji do zbioru danych i por\u00f3wnanie jeszcze wi\u0119kszej liczby krzywych ROC w celu okre\u015blenia najlepszego modelu do u\u017cycia.<\/span><\/p>\n Poni\u017csze samouczki zawieraj\u0105 dodatkowe informacje na temat modeli klasyfikacji i krzywych ROC:<\/span><\/p>\n Wprowadzenie do regresji logistycznej<\/a> Jednym ze sposob\u00f3w wizualizacji wydajno\u015bci modeli klasyfikacji w uczeniu maszynowym jest utworzenie krzywej ROC , kt\u00f3ra oznacza krzyw\u0105 \u201echarakterystyki operacyjnej odbiornika\u201d. Ten typ krzywej przedstawia czu\u0142o\u015b\u0107 i specyfik\u0119 modelu klasyfikacji: Czu\u0142o\u015b\u0107: prawdopodobie\u0144stwo, \u017ce model przewiduje pozytywny wynik obserwacji, gdy wynik jest rzeczywi\u015bcie pozytywny. Specyfika: prawdopodobie\u0144stwo, \u017ce model przewiduje negatywny wynik obserwacji, gdy wynik jest faktycznie […]<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[3],"tags":[],"class_list":["post-4542","post","type-post","status-publish","format-standard","hentry","category-przewodnik"],"yoast_head":"\n\n
![\"\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/read_roc1.png\")
<\/p>\n![\"\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/read_roc2.png\")
<\/p>\n Przyk\u0142ad: Jak por\u00f3wna\u0107 dwie krzywe ROC<\/strong><\/span><\/h2>\n
![\"por\u00f3wnaj](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/multipleroc1.jpg\")
<\/p>\n\n
Dodatkowe zasoby<\/strong><\/span><\/h2>\n
Jak interpretowa\u0107 krzyw\u0105 ROC<\/a>
Co uwa\u017ca si\u0119 za dobry wynik AUC?<\/a><\/span><\/p>\n","protected":false},"excerpt":{"rendered":"