sorodni izrazi in sinonimi v sodobni slovenščini, hrvaščini in srbščini
Podobnost besed in fraz med rezultati je odvisna od tega, kolikokrat se beseda
ali fraza pojavi v podobnem stavčnem kontekstu kot "auroc".
Podobni izrazi in sinonimi za
Kliknite za poizvedbo
Primeri iz korpusa
Korpus Common Crawl
Common Crawl je korpus spletnih strani
AUROC meri uspešnost modela neodvisno od določenega pragovne vrednosti.
AUROC krivulja nastane tako, da za vsako vrednost treshold -a izračunamo confusion matrix.
AUROC krivulja nam pove, kako uspešen je klasifikacijski model pri različnih vrednostih klasifikacijskega praga (ang. treshold ).
AUROC je manj občutljiv na takšno neravnovesje razredov v primerjavi z drugimi metrikami, kot je natančnost.
AUROC karakteristike klasifikacijskih modelov za vse pakete so prikazane na sliki 4.14.
AUROC krivulje klasifikatorjev paketov za slike nižje ločljivosti prikazuje slika 4.32, karakteristike klasifikatorjev slojev pa slika 4.33.
Samo učenje poteka najprej do 8 epoh prilagajanja zadnje klasifikatorske plasti, kjer se shrani stanje po epohi z najvišjim AUROC na nastavitveni množici.
Rezultati so spodbudni, saj je metoda dosegla dokaj visok AUROC, vendar ima za stroge industrijske zahteve še vedno nekaj pomanjkljivosti.
Ker AUROC upošteva zmogljivost modela pri vseh pragih, ni odvisen od izbire specifičnega praga, kar je lahko subjektivno in pristransko.
Pri nižjih percentilih globalna ocena postane preveč povprečena, kar se kaže kot padec AUROC z nižanjem vrednosti n.
Ocenili smo diskriminacijo modela z izračunom AUROC in kalibracijo modela z uporabo primerjav predvidenih in empiričnih verjetnostnih krivulj .
V preglednici 4.4 so zbrane idealne vrednosti klasifikacijskih threshold -ov in površine pod AUROC krivuljami za klasifikatorje barvnih in črno-belih slik.
Za statistično analizo smo uporabili AUROC ( “ area under receiver operating characteristic curve ” ) , χ2 in t-test ter multivariatne analize .
V realnosti se redkokdaj zgodi, da je model sposoben popolnoma ločiti obe porazdelitvi, zato si oglejmo AUROC krivuljo realnega klasifikatorja 2.16.
Preglednica 3.3 prikazuje dosežene AUROC-vrednosti odkrivanja anomalij vseh štirih modelov za nenadzorovano učenje skupaj s številom učnih parametrov.
Optimalne vrednosti treshold -ov in velikosti površin pod AUROC krivuljami za slike obeh ločljivosti so zbrane v preglednici 4.3.
Fuzijska utež α = 0.65 na validacijskem naboru dosega najvišjo vrednost AUROC ter zagotavlja uravnoteženo kombinacijo pozicijskih in semantičnih informacij.
Opazimo, da je bila klasifikacija slik slojev bolj uspešna, saj so površine pod AUROC krivuljami v primeru slojev 4.15 večje.
Iz preglednice je razvidno, da imajo vsi klasifikatorji površino pod AUROC krivuljo na nivoju slike večjo od 90 %.
Rezultati mrežnega iskanja hiperparametrov: vpliv fuzijske uteži α in percentila n na AUROC modela. . . . . . . . . . . . . . . . .