Доступное объяснение ROC и AUC!

Графики ROC-кривой (характеристики оператора-приемника) и AUC (площади под кривой) полезны для объединения информации из множества матриц ошибок в единый, легко интерпретируемый график. Это видео расскажет вам, как шаг за шагом создавать и интерпретировать ROC-кривые. Затем мы покажем, как AUC можно использовать для сравнения методов классификации, и, наконец, поговорим о том, что делать, если ваши данные не такие мягкие и пушистые, как хотелось бы.

ПРИМЕЧАНИЕ. Это версия видео от 2019.07.11, опубликованного ранее.

ПРИМЕЧАНИЕ: это видео предполагает, что вы уже знаете о
матрицах ошибок ...
   • Machine Learning Fundamentals: The Confusi...  

... чувствительности и специфичности ...
   • Machine Learning Fundamentals: Sensitivity...  

... и пример, над которым я работаю, основан на логистической регрессии, так что это также поможет понять основы этого:
   • StatQuest: Logistic Regression  

Полный список всех видео StatQuest:
https://statquest.org/video-index/

Если вы хотите поддержать StatQuest, обдумайте ...
Патреон:   / statquest  
...или...
Членство YouTube:    / @statquest  

... классная футболка или толстовка StatQuest (США / Европа): https://teespring.com/stores/statquest
(где угодно):
https://www.redbubble.com/people/star...

... покупку одной или двух мои песни (или всего альбома!)
https://joshuastarmer.bandcamp.com/

... или просто пожертвуйте StatQuest!
https://www.paypal.me/statquest

И наконец, если вы хотите узнавать, когда я исследую и создаю новые StatQuests, следите за мной в твиттере:
  / joshuastarmer  

0:00 Потрясающая песня и вступление
0:48 Классификация образцов логистической регрессией
4:03 Создание матриц ошибок для разных порогов
7:12 ROC является альтернативой тоннам матриц путаницы
13:44 AUC для сравнения разных моделей
14:28 Ложно-положительный показатель против точности
15:38 Краткое изложение концепций



#statquest #ROC #AUC