簡介
我們可以根據其所犯的錯誤種類來評估我們的分類模型，例如誤判為否和誤判為真。 這可讓您深入解析模型所犯的錯誤種類，但如果略為調整其決策準則，則不一定會提供模型如何執行的深度資訊。 在這裡，我們將討論接收者運算子特性 (ROC) 曲線，這是以混淆矩陣的概念為建置依據，但提供更深入的資訊，讓我們改善模型以達更高的程度。
案例：
在本課程模組中，我們自始至終都會使用下列範例案例，來說明和練習如何使用 ROC 曲線。
您的雪崩搜救慈善機構已成功建置機器學習模型，可評估輕量感應器偵測到的物體是登山客還是自然物件，例如樹木或岩石。 這可讓您追蹤山上有多少人，讓您知道當雪崩來襲時是否需要搜救隊。 該模型的表現相當不錯，但您想知道是否還有改善的空間。 就內部而言，模型必須對物體是否為登山客做出二元決策，但這是以機率為基礎。 是否可以調校此決策制定程序來改善其效能？
必要條件
- 熟悉機器學習模型
學習目標
在本單元中，您將：
- 了解如何建立 ROC 曲線。
- 探索如何使用這些曲線來評估和比較模型。
- 練習如何使用對 ROC 曲線繪製的特性來微調模型。