机器学习的价值模型分类
曲线ROC(接收者工作特性)对机器学习的价值和模型是非常重要的。Sono più频率利用每一个问题分类azione binaria, quelli在cui Sono呈现due classi输出区分。TPR曲线与FPR曲线之间的关系。Il TPR è Il tasso che Il classificatore prevede come " positive " per osservazioni che sono " positive "。L 'FPR è il tasso che il classificatore prevede come“positive”per osservazioni che在realtà sono“negative”。Un classificatore perfetto avrà Un TPR pari a 1 e Un FPR pari a 0。
È在MATLAB中可能的calcolare le曲线ROC®mediante la funzioneperfcurve
达统计和机器学习工具箱™.Inoltre, l 'app分类学习者属曲线ROC根据la valutazione delle prestazioni del modelello。根据具体情况,不同的分类和不同的表现形式,在每一个问题的分类和多分类的表现形式più由于分类和输出不同的情况下,在可视化的曲线ROC中。
来funzionano le曲线ROC
机器学习的部分模型每一个分类双属单独1 o 0每一个预先。与之相反的是,持续有价值的属[0,1]。我的价值是,我的价值是,我们的价值是,我的价值是,我的价值是,我的价值是,我的价值是,我的价值是,我的价值是,我的价值是,我的价值是,我的价值是,我的价值是,我的价值是,我的价值是,我的价值是,我的价值是,我的价值是。我的曲线是这样的每一种植物的多样性。
La soglia selezionata può essere un qualsiasi valore comso nell 'intervallo [0,1] ele classificazioni derived variano in base al valore di tale soglia。Ad esempio, se la soglia è impostata sempre su 0, il modelello prevede sempre 1 (qualsiasi valore pari o superiore 0 viene classificato 1), determinando così un TPR di 1 e un FPR di 1。所有'altra estremità della curva ROC, se la soglia è impostata su 1, il modello prevede sempre 0 (qualsiasi valore subiore 1 viene classificato 0), determinando così un TPR di e un FPR di 0。
我的爱più我的爱我的爱我的爱我的爱我的爱我的爱我的爱è我的爱我的爱我的爱。总的来说,più la curva ROC è spostata " In alto a sininistra ", migliore è il classificatore。
ROC曲线的单波孤立在联合氮和氮的应用交叉验证我是一个有价值的人我是一个有价值的人我是一个有价值的人。