- Activation
- Derivative
- Loss
- LossGradient
- RegressionMetric
- ConfusionMatrix
- ConfusionMatrixMultilabel
- ClassificationMetric
- ClassificationScore
- PrecisionRecall
- ReceiverOperatingCharacteristic
ReceiverOperatingCharacteristic
Receiver Operating Characteristic (ROC) eğrisini oluşturmak için değerleri hesaplar. ClassificationScore'a benzer şekilde, bu metot da doğru değerler vektörüne uygulanır.
bool vector::ReceiverOperatingCharacteristic(
|
Parametreler
pred_scores
[in] Her sınıf için olasılıkları içeren bir dizi yatay vektöre sahip bir matris. Matris satırlarının sayısı, doğru değerler vektörünün büyüklüğüne karşılık gelmelidir.
mode
[in] ENUM_AVERAGE_MODE numaralandırmasından ortalama alma modu. Yalnızca AVERAGE_NONE, AVERAGE_BINARY ve AVERAGE_MICRO kullanılır.
fpr
[out] Yanlış pozitif oran eğrisinin hesaplanan değerlerini içeren bir matris. Ortalama alma uygulanmazsa (AVERAGE_NONE), matristeki satır sayısı model sınıflarının sayısına karşılık gelir. Sütun sayısı, doğru değerler vektörünün büyüklüğüne (veya pred_score olasılık dağılımı matrisindeki satır sayısına) karşılık gelir. Mikro ortalama alma durumunda, matristeki satır sayısı, yinelenenler hariç olmak üzere toplam eşik değeri sayısına karşılık gelir.
tpr
[out] Doğru pozitif oran eğrisinin hesaplanan değerlerini içeren bir matris.
threshold
[out] Olasılık matrisinin sıralanmasıyla elde edilen eşik matrisi.
Not
ClassificationScore metodu için notlara bakın.
Örnek:
tpr değerlerinin y ekseninde ve fpr değerlerinin x ekseninde çizildiği bir ROC grafiği örneği. Ayrıca, fpr ve tpr grafiklerinin ayrı ayrı çizildiği ve eşik değerlerinin x ekseninde gösterildiği bir başka örnek.
matrixf mat_thres;
|
Ortaya çıkan eğriler:
Grafik çıktı kodu basittir ve <Graphics/Graphic.mqh> standart kütüphanesine dayanır.
Örnekler mnist.onnx modelinin verilerini kullanmaktadır. Kod, PrecisionRecall metot açıklamasında sunulmuştur.
ROC AUC ideale yakındır.
roc auc score micro = [0.99991] |