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 "roc auc".
Podobni izrazi in sinonimi za
Kliknite za poizvedbo
Pogosto skupaj z
Primeri iz korpusa
Korpus Common Crawl
Common Crawl je korpus spletnih strani
Ta je še posebno razviden pri oceni "roc-auc verjetnosti".
Podpirajo razne metrike, kot so točnost, precision/recall, f1 in roc-auc.
Rezultati so pokazali približno 80% uspešnost napovedovanja rezultatov glasovanj (uteženi oceni f1 in roc-auc).
Za vrednotenje smo uporabili oceno ROC-AUC na verjetnostih napovedovanja ciljnih razredov ter f1 in klasifikacijsko točnost na napovedovanju ciljnih razredov.
S površino pod krivuljo ROC (AUC, okr. angl. area under the curve) smo ovrednotili zanesljivost napovedi okužbe za posamezni kazalec.
Po drugi strani je ocena ROC-AUC za verjetnosti napovedovanja razredov bistveno višja, kot to velja za obe drugi oceni.
Ocenili so klinično diskriminacijsko natančnost ( območje pod krivuljo ROC , AUC ) in tveganje za bolezen za hkratno testiranje 40 neodvisnih genetskih variant občutljivosti .
Iz rezultatov vidimo, da sta natančnost klasifikacije in vrednost ROC AUC relativno premo sorazmerni, saj padata in naraščata skupaj.
Za primerjavo kakovosti razvrščevalnihh modelov neodvisno od izbire praga pa lahko uporabimo vrednost površine pod krivuljo ROC (AUC).
Pri tarčah z majhnim vezavnim mestom, so prirastki ROC AUC nižji, kot pri tarčah z večjim vezavnim mestom.
Če pa pogledamo vrednosti ROC AUC, so prav tako videti modeli na ekstremih učenja kot najboljši.
Natančnost predikcije vseh modelov smo ocenili z "area under receiver operating sharacteristic curve" (ROC-AUC) statistiko.
ROC AUC najlažje razložimo na primeru, kot je na sliki 4.11 .
Poleg tega smo izračunali površino pod krivuljo ROC (AUC) za vsako izmed metod strojnega učenja.
Napovedno učinkovitost modelov sem preverila z uporabo naslednjih tehnik: krivuljo ROC, AUC in matriko zamenjav.
Pod to mejo so vsi rezultati na testni množici v okolici 50 % natančnosti, in vrednosti ROC AUC so okoli 0,5.
Običajni prag verjetnosti pozitivne napovedi oziroma ploščina pod krivuljo ROC (AUC) je morala biti višja od 50 %.
Najuspešnejši model je dosegel povprečno ROC AUC 0,52 ± 0,10, kar kaže na nizko diskriminativno uspešnost med posameznimi ponovitvami navzkrižne validacije.
Model na podlagi logistične regresije za napoved zaznane težavnosti je prav tako dosegel nizko napovedno moč (ROC AUC = 0,49 ± 0,10).
Ob kombinaciji majhnega vezavnega mesta in rigidnimi ligandi, pa so ROC AUC prirastki najnižji.