颜色分类leetcode ds roc auc nyc ds 091018:ds roc auc nyc ds 091018

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假阴性率的权衡分析。