Evaluación机器学习clasificación机器学习
as curvas ROC (característica operativa del receptor)是机器学习模型中最重要的问题。Por lo general, se utilzan en problem de clasificación binaria, concretamente, problemas con dos categories de salidas distas。ROC曲线relación正面生态环境中心(TPR)和正面生态环境模型中心(FPR)。TPR描述了“积极”的分类预测和“积极”的观察。FPR描述了“积极”的分类预测和“消极”的现实观察。完美的分类,只有TPR de 1和FPR de 0。
Las曲率ROC se pueden calculen MATLAB®Con la funciónperfcurve
德统计和机器学习工具箱™.Además, la app分类学习器属曲线ROC que ayudan a evaluar el rendimiento del modelo。La应用permite speciificar La representación de不同类,形式上的pueda ver曲线ROC para问题clasificación multiclase con más de dos类de salidas distas。
Cómo funcionan las curvas ROC
La mayoría delos modelos de机器学习para clasificación binaria no generan solo 1 o 0 cuando hacen una predicción。En realidad, generan un valor continuo En un intervalo[0,1]。一个不确定的本影(0,5)和一个不确定的本影和一个不确定的本影。ROC曲线代表了FPR和TPR不同的伞。
本影的选择,在中间位置,在中间位置[0,1],结果分类cambiarán según本影的英勇。Por ejemplo, si el umbral se建立como 0 (cualquier valor igual o superior 0 se分类como 1), el modelo siempre predecirá 1, dando como resultado una TPR de 1 y una FPR de 1。在ROC曲线的极值曲线,建立的本影1(曲线的英勇值0),模型的siempre predecirá 0,计算结果的TPR值0和FPR值0。
clasificación,在极端的环境中,在极端的环境中居住。总的来说,cuanto más“在中华民国的曲线中心的图表será分类器”。
曲率曲线利用正态曲线validacion cruzadaPara evaluate the rendimiento del modelo con datos validación o prueba。
解雇程序
软件参考
También puede consultar estos temas:validacion cruzada,机器学习