文件名称：颜色分类leetcode-ds-roc-auc-nyc-ds-100218:ds-roc-auc-nyc-ds-100218
文件大小：891KB
文件格式：ZIP
更新时间：2024-07-26 16:56:31
系统开源
颜色分类leetcode AUC 和 ROC 到目前为止，我们的一些准确度得分可能看起来非常令人印象深刻； 第一次尝试时，80% 的准确率似乎非常好！ 我们必须记住的是，在预测二元分类时，我们有时肯定是对的，即使只是猜测。 例如，在猜测硬币是否正面朝上时，我应该有大约 50% 的准确率。 这也可能导致在调整模型的过程中出现问题。 如果您有一个包含罕见事件（例如疾病或中奖）的偏斜数据集，其中 1000 个中只有 2 个阳性病例，那么即使是将所有内容都归类为“非会员”的简单算法也将达到 99.8% 的准确率（1000 次中有 998 次是正确的）。 因此请记住，必须将 80% 的准确率考虑到更大的上下文中。 有了这个，分析分类错误的另一种方法是使用 AUC，它代表“曲线下面积”。 你问什么曲线？ Receiver Operater Curve (ROC Curve)，它说明了我们分类器的误报率与误报率。 在训练分类器时，我们希望 ROC 曲线能够紧贴图形的左上角。 50-50 准确率的分类器被认为“毫无价值”； 这并不比随机猜测更好，就像抛硬币一样。 ROC 曲线为我们提供了这种假阳性率和
【文件预览】：
ds-roc-auc-nyc-ds-100218-master
----README.md(6KB)
----index_files()
--------index_11_1.png(33KB)
----heart.csv(11KB)
----.learn(86B)
----index.ipynb(9KB)
----.ipynb_checkpoints()
--------index-checkpoint.ipynb(9KB)
----images()
--------logit_probs_cutoff.jpeg(21KB)
--------prob_distro.png(5KB)
--------roc_comp.jpg(18KB)
--------poor_good_seperability.png(5KB)
--------decision_boundary_recall_preferred.png(436KB)
--------.DS_Store(6KB)
--------decision_boundary_accuracy.png(386KB)
----.DS_Store(6KB)