এউসি ব্যবহারের যুক্তি?

Question

বিশেষত মেশিন লার্নিং সাহিত্যের কম্পিউটার-বিজ্ঞান ভিত্তিক দিক থেকে, এউসি (রিসিভার অপারেটর চরিত্রগত বক্ররেখার অধীনে অঞ্চল) শ্রেণিবদ্ধদের মূল্যায়নের জন্য একটি জনপ্রিয় মানদণ্ড। এউসি ব্যবহারের যৌক্তিকতা কী কী? যেমন কোনও ক্ষতির কোনও কার্যকারিতা রয়েছে যার জন্য সেরা সিদ্ধান্তটি সেরা এওসি সহ শ্রেণীবদ্ধকারী?

Comments

এটিসি একটি ক্ষতির ফাংশন, এটি স্পষ্ট যে এই ক্ষতির ফাংশনের জন্য সর্বোত্তম এওসি সহ শ্রেণীবদ্ধকারী।

— রবিন গিরার্ড

@ গ্রোবিড়ার্ড এটি কোনও নয়, যেহেতু এটি পৃথক নয়, অর্থাৎ আপনি সরাসরি এটি অনুকূল করতে পারবেন না।

— সিপাহী

Answer 1

$C$$e$$C(e)$$[0, 1]$$C(e_1) > C(e_0)$$e_1$$e_0$$C(e_0) \geq C(e_1)$

Answer 2

ভাল + খারাপ টমেটো এর পুল থেকে ভাল টমেটো চিহ্নিত করার একটি সাধারণ উদাহরণ নেওয়া যাক। ধরা যাক ভাল টমেটো সংখ্যা 100, এবং খারাপ টমেটো 1000, সুতরাং মোট 1100। এখন আপনার কাজটি যতটা সম্ভব ভাল টমেটো চিহ্নিত করা। সমস্ত ভাল টমেটো পাওয়ার একটি উপায় সমস্ত 1100 টমেটো নিচ্ছে। তবে এটি স্পষ্টভাবে বলেছে যে আপনি b / n ভাল বনাম খারাপের পার্থক্য করতে সক্ষম নন ।

সুতরাং, পার্থক্যের সঠিক উপায়টি কী - খুব অল্পসংখ্যক খারাপকে বাছাই করার সময় অনেকগুলি ভাল হওয়া দরকার, সুতরাং আমাদের একটি পরিমাপের কিছু দরকার, যা বলতে পারে যে আমরা কতটা ভালকে বেছে নিয়েছি এবং এও বলতে পারি যে খারাপগুলি কী হিসাবে গণনা করছে এটা। নীচে চিত্রিত হিসাবে দু'দুজনদের সাথে আরও ভালকে নির্বাচন করতে সক্ষম হলে এওসি পরিমাপ আরও ওজন দেয়। যা বলে যে আপনি কত ভাল ভাল / খারাপ পার্থক্য করতে সক্ষম।

উদাহরণস্বরূপ আপনি পর্যবেক্ষণ করতে পারেন যে 70% ভাল টমেটো বাছাই করার সময়, কালো বক্ররেখা প্রায় 48% খারাপ (অশুচিতা) বাছাই করে, তবে নীল রঙের একটিতে 83% খারাপ থাকে (অশুদ্ধতা)। তাই কালো বক্ররেখার সাথে নীল রঙের তুলনায় আরও ভাল এউসি স্কোর রয়েছে।

Comments

কিভাবে এই প্রশ্নের উত্তর দেয়?

— বিবেক সুব্রহ্মণিয়ামিয়ান

আমি এইউসি'র অন্তর্দৃষ্টি দিয়ে লিখেছিলাম যে, এটি পুরো জনসংখ্যায় ভাল ব্যক্তিকে (বাইনারি শ্রেণিবদ্ধার ক্ষেত্রে 1) চিহ্নিত করার জন্য একক স্কোর প্রদান করতে সহায়তা করে এবং মিথ্যা ধনাত্মক সংখ্যা হ্রাস করার ক্ষেত্রে। আমি কীভাবে এর জন্য আরও ভাল করতে পারতাম আমাকে সহায়তা করুন।

— যুগন্ধর