Поскольку у меня очень несбалансированный набор данных (9% положительных результатов), я решил, что кривая точного отзыва была более подходящей, чем кривая ROC. Я получил аналогичную сводную меру площади под кривой PR (.49, если вам интересно), но не уверен, как ее интерпретировать. Я слышал, что 0,8 или выше - это то, что является хорошим AUC для ROC, но будут ли общие отсечки такими же для AUC для кривой точного возврата?
Ответы:
Для AUC-ROC или AUC-PR нет магического отключения . Чем выше, тем лучше, но это полностью зависит от приложения.
Например, если бы вы могли успешно определить прибыльные инвестиции с AUC 0,8 или, в этом отношении, что-нибудь отличное от случайного, я был бы очень впечатлен, и вы были бы очень богаты. С другой стороны, классификация рукописных цифр с AUC 0,95 все еще существенно ниже современного уровня техники.
Более того, хотя наилучший из возможных AUC-ROC гарантированно находится в [0,1], это не относится к кривым с точным возвратом, поскольку могут существовать «недоступные» области пространства PR, в зависимости от того, насколько искажены распределения классов. (Подробности см. В этой статье Бойда и др. (2012) ).
.49 не велик, но его толкование отличается от РПЦ АУК. Для ROC AUC, если вы получили .49 с использованием модели логистической регрессии, я бы сказал, что вы делаете не лучше, чем случайные. Для .49 PR AUC, однако, это может быть не так уж плохо. Я хотел бы рассмотреть вопрос об индивидуальной точности и вспомнить, возможно, одно или другое - это то, что влияет на ваш PR AUC. Напомним, скажу вам, сколько из этого 9% положительного класса вы на самом деле угадывает правильно. Точность покажет вам, сколько вы догадались положительного, чего не было. (Ложные срабатывания). Напоминание в 50% было бы плохо, если вы не догадались, что многие из вашего несбалансированного класса не верны, но, возможно, точность в 50% не будет плохой. Зависит от вашей ситуации.
Случайный оценщик будет иметь PR-AUC 0,09 в вашем случае (9% положительных результатов), поэтому ваш 0,49, безусловно, является существенным увеличением.
Если это хороший результат, его можно оценить только в сравнении с другими алгоритмами, но вы не предоставили подробных сведений о методе / данных, которые вы использовали.
Кроме того, вы можете оценить форму вашей PR-кривой. Идеальная PR-кривая идет от верхнего угла по горизонтали к верхнему правому углу и прямо вниз к нижнему углу, что приводит к PR-AUC 1. В некоторых приложениях PR-кривая вместо этого показывает сильный скачок в начале, чтобы быстро снова опуститесь близко к «линии случайной оценки» (горизонтальная линия с точностью 0,09 в вашем случае). Это указывало бы на хорошее выявление «сильных» положительных результатов, но плохую работу с менее ясными кандидатами.
Если вы хотите найти хороший порог для параметра отсечки вашего алгоритма, вы можете рассмотреть точку на кривой PR, которая находится ближе всего к верхнему углу. Или, что еще лучше, рассмотрите возможность перекрестной проверки, если это возможно. Вы можете достичь точности и вызвать значения для определенного параметра отсечки, которые более интересны для вашего приложения, чем значение PR-AUC. AUC наиболее интересны при сравнении разных алгоритмов.