- Activation
- Derivative
- Loss
- LossGradient
- RegressionMetric
- ConfusionMatrix
- ConfusionMatrixMultilabel
- ClassificationMetric
- ClassificationScore
- PrecisionRecall
- ReceiverOperatingCharacteristic
ReceiverOperatingCharacteristic
Calcule les valeurs pour construire la courbe des Caractéristiques de Fonctionnement du Récepteur (Receiver Operating Characteristic, ROC). De la même manière que ClassificationScore, cette méthode est appliquée au vecteur de valeurs vraies.
bool vector::ReceiverOperatingCharacteristic(
|
Paramètres
pred_scores
[in] Une matrice contenant un ensemble de vecteurs horizontaux avec des probabilités pour chaque classe. Le nombre de lignes de la matrice doit correspondre à la taille du vecteur de valeurs vraies.
mode
[in] Mode de moyenne à partir de l'énumération ENUM_AVERAGE_MODE. Seuls AVERAGE_NONE, AVERAGE_BINARY et AVERAGE_MICRO sont utilisés.
fpr
[out] Une matrice avec les valeurs calculées de la courbe de taux de faux positifs. Si aucune moyenne n'est appliquée (AVERAGE_NONE), le nombre de lignes dans la matrice correspond au nombre de classes du modèle. Le nombre de colonnes correspond à la taille du vecteur de valeurs vraies (ou au nombre de lignes dans la matrice de distribution de probabilité pred_score). Dans le cas d'une micromoyenne, le nombre de lignes dans la matrice correspond au nombre total de valeurs de seuil, hors doublons.
tpr
[out] Une matrice avec les valeurs calculées de la courbe de taux véritablement positive.
threshold
[out] Matrice de seuil obtenue en triant la matrice de probabilité
Note
Voir les notes sur la méthode ClassificationScore.
Exemple
Un exemple de tracé graphique ROC, où les valeurs tpr sont tracées sur l'axe y et les valeurs fpr sont tracées sur l'axe x. Les graphiques fpr et tpr sont également tracés séparément, avec des valeurs de seuil tracées sur l'axe des x.
matrixf mat_thres;
|
Courbes des résultats :
Le code de sortie graphique est simple et basé sur la bibliothèque standard <Graphics/Graphic.mqh>.
Les exemples utilisent les données du modèle mnist.onnx. Le code est présenté dans la description de la méthode PrecisionRecall.
ROC AUC est proche de lidéal.
roc auc score micro = [0.99991] |