Sammanfattning
Vi har gått igenom ROC-kurvor (receiver operator characteristic) på ett visst djup. Vi lärde oss att de visar hur ofta vi av misstag tilldelar en sann etikett mot hur ofta vi korrekt tilldelar en sann etikett. Varje punkt i diagrammet representerar ett tröskelvärde som tillämpades.
Vi har lärt oss hur vi kan använda ROC-kurvor för att justera vårt beslutströskelvärde i den slutliga modellen. Vi såg också hur area-under kurvan (AUC) kan ge oss en uppfattning om hur beroende vår modell är för att ha den perfekta beslutströskeln. Det är också ett praktiskt mått för att jämföra två modeller med varandra. Grattis till att du kom så långt! Som alltid, nu när du har en ny teknik under bältet, är det bästa du kan göra för din inlärning att öva på att använda den på data som du bryr dig om. Genom att göra det får du erfarenhet och förstår nyanser som vi inte har haft tid eller utrymme att täcka här. Lycka till!