Hay una diferencia muy importante entre lo que representa una curva ROC frente a la curva de PRECISIÓN vs RECUPERACIÓN.
Recuerde, una curva ROC representa una relación entre sensibilidad (RECUPERACIÓN) y especificidad (NO PRECISIÓN). La sensibilidad es el otro nombre para recordar pero la especificidad no es PRECISIÓN.
Recordar / Sensibilidad es la medida de la probabilidad de que su estimación sea 1 dadas todas las muestras cuya etiqueta de clase verdadera es 1. Es una medida de cuántas de las muestras positivas se han identificado como positivas.
- ¿Cuál es la relación entre softmax y sigmoide ya que sus derivados son similares?
- ¿Sigue siendo el curso de aprendizaje automático de Andrew Ng el mejor curso de aprendizaje automático disponible?
- ¿Hay alguien aquí que pueda darme una lib correcta para R-Tree en Java?
- ¿Qué otros algoritmos de aprendizaje automático, además del aprendizaje profundo, se aplican ampliamente en aplicaciones comerciales?
- Cómo crear un sistema de predicción de calificación a partir de los comentarios de los revisores para comentarios 360 dados un comentario del revisor y el conjunto de datos de calificación correspondiente
La especificidad es la medida de la probabilidad de que su estimación sea 0 dadas todas las muestras cuya etiqueta de clase verdadera es 0. Es una medida de cuántas de las muestras negativas se han identificado como negativas.
La PRECISIÓN por otro lado es diferente. Es una medida de la probabilidad de que una muestra sea una verdadera clase positiva dado que su clasificador dijo que es positiva. Es una medida de cuántas de las muestras predichas por el clasificador como positivas son realmente positivas. Tenga en cuenta que esto cambia cuando cambia la probabilidad base o la probabilidad previa de la clase positiva. Lo que significa que la PRECISIÓN depende de cuán rara sea la clase positiva. En otras palabras, se usa cuando la clase positiva es más interesante que la clase negativa.
Entonces, si su problema consiste en buscar una aguja en el pajar cuando ex: las muestras de clase positiva son muy raras en comparación con las clases negativas, use una curva de recuperación de precisión. De lo contrario, use una curva ROC porque la curva ROC sigue siendo la misma independientemente de la probabilidad previa inicial de su clase positiva (la clase rara importante).