ROC-AUC, ROC-CURVE, ROC-КРИВАЯ | МЕТРИКИ КЛАССИФИКАЦИИ

Поддержать канал можно оформив подписку на 💻 Мои курсы на платформе Stepik: Метрики качества позволяют оценивать способность моделей машинного обучения восстанавливать закономерности из данных. В этом видео посмотрим, что из себя представляет ROC-кривая и метрика ROC-auc. Остальные метрики классификации: 0:00 Ранее пройденные метрики 0:21 Датасет на сегодня 1:05 Обучение модели 1:10 Предсказания модели классификации 1:13 Метод predict для предсказания метки класса 1:21 Метод predict_proba для предсказания вероятностей по классам 2:13 Отсечка для вероятности (threshold) 3:01 Визуализация предсказанной вероятности быть первым классом 3:28 Визуализация отсечки 0.5 4:09 Матрица ошибок для отсечки 0.5 4:18 Расчет метрики ROC-curve (ROC-AUC) 4:42 TPR (True Positive Rate) 5:03 FPR (False Positive Rate) 5:27 Подсчет TPR и FPR через матрицу ошибок 5:43 Изменения отсечки по вероятности до 0.6 для уменьшения FPR 6:09 Матрица ошибок для отсечки 0.6 6:20 Изменения отсечки по вероятности до 0 для увеличения TPR 6:44 Матрица ошибок для отсечки 0 6:52 Резюме изменения отсечки по вероятности 6:59 Общие сведения о ROC-кривой (ROC-curve) 7:49 Подсчет ROC-кривой 8:03 Идеальная отсечка для бинарной классификации 8:28 Первая точка ROC-кривой. Отсечка по вероятности равна 1 8:50 Визуализация предсказаний с отсечкой 1 9:13 Первая точка на ROC-кривой 9:25 Вторая точка ROC-кривой. Отсечка по вероятности равна 0.84 9:59 Визуализация предсказаний с отсечкой 0.84 10:12 Вторая точка...