Mavzu: Sinflashtirish masalasi uchun logistic regressiya funksiyasidan foydalanish 714-19-guruh rasulova marjona

ROC-egri chizig’i

Katta taxminlar bilan, AUC ko'rsatkichi qanchalik baland bo'lsa, modelning bashorat qilish kuchi shunchalik yaxshi bo'ladi deb taxmin qilish mumkin. Biroq, shuni bilishingiz kerak:

- AUC ko'rsatkichi bir nechta modellarni qiyosiy tahlil qilish uchun mo'ljallangan;
- AUC modelning sezgirligi yoki o'ziga xosligi haqida hech qanday ma'lumot bermaydi.

ROC-egri chizig’i

Adabiyotda ba'zan AUC qiymatlari uchun quyidagi ekspert shkalasi taqdim etiladi, ulardan model sifatini baholash uchun foydalanish mumkin:

Ideal model 100% sezgir va o'ziga xosdir. Biroq, amalda bunga erishish mumkin emas, bundan tashqari, bir vaqtning o'zida modelning sezgirligini va o'ziga xosligini oshirish mumkin emas. Savdoni kesish chegarasi bilan topiladi, chunki chegara qiymati ning ga nisbatiga ta'sir qiladi. Biz optimal chegara qiymatini topish muammosi haqida gapirishimiz mumkin.

• 
  

  AUC Intervali	Model sifati
  0,9 – 1,0	Judayam yaxshi
  0,8 – 0,9	Juda yaxshi
  0,7 – 0,8	Yaxshi
  0,6 – 0,7	Qoniqarli
  0,5 – 0,6	Qoniqarsiz

  ROC-egri chizig’i

  Modelni amalda qo'llash uchun chegara oxiri kerak: ikkita sinfdan biriga yangi misollar berish. Optimal chegarani aniqlash uchun siz uni aniqlash mezonini belgilashingiz kerak, chunki turli vazifalar o'zining optimal strategiyasiga ega. Chiqib ketish chegarasini tanlash mezonlari quyidagilar bo'lishi mumkin:

• 
  Modelning sezgirligi (o'ziga xosligi) ning minimal qiymatiga bo'lgan talab. Masalan, testning sezgirligi kamida 80% bo'lishini ta'minlash kerak. Bunday holda, optimal chegara maksimal o'ziga xoslik (sezuvchanlik) bo'ladi, bu sezgirlikning (o'ziga xosligi) 80% (yoki seriyaning diskretligi tufayli "o'ngda" unga yaqin qiymat) da erishiladi.
  
• 
  Modelning maksimal umumiy sezgirligi va o'ziga xosligi talabi, ya'ni:
  
• 
  Sezuvchanlik va o'ziga xoslik o'rtasidagi muvozanat talabi, ya'ni bo’lsa:
  
•