ROC 中的最佳分类器 Space
Best classifier in ROC Space
我一直在做一些事情，我做了以下情节：
由于所有分类器都在随机线下方，我读到我们 should/could "invert" 它们。我知道离左上角最近的分类器是最好的。在这里，我将如何获得最佳分类器？我应该反转吗？
不要只是"read"，而是试着去理解原因...
如果分类器在线下方，则它的假阳性率高于假阴性率。换句话说，您所有分类器的输出 错误多于正确。
通常，这表明存在配置错误，我不建议通过将分类器视为 'liar' 来解决这个问题。相反，找到解决根本原因的方法。
请记住，低于 0.5 的 AUC 值并不自动意味着分类器输出是反转的。 AUC 是对分类器性能的估计，与任何估计一样，它可能存在偏差。负偏差在小样本数据集中尤为普遍，并且在生物信息学领域得到了广泛的分析。例如，看看下面的论文：https://www.ncbi.nlm.nih.gov/pubmed/17764577
长话短说：您的预测变量可能真的是随机的，但您对其性能 (AUC) 的估计存在偏差。如果是这种情况，就没有 "best" 预测器，因为它们都和抛硬币一样好。
我一直在做一些事情，我做了以下情节：
由于所有分类器都在随机线下方，我读到我们 should/could "invert" 它们。我知道离左上角最近的分类器是最好的。在这里，我将如何获得最佳分类器？我应该反转吗？
不要只是"read"，而是试着去理解原因...
如果分类器在线下方，则它的假阳性率高于假阴性率。换句话说，您所有分类器的输出 错误多于正确。
通常，这表明存在配置错误，我不建议通过将分类器视为 'liar' 来解决这个问题。相反，找到解决根本原因的方法。
请记住，低于 0.5 的 AUC 值并不自动意味着分类器输出是反转的。 AUC 是对分类器性能的估计，与任何估计一样，它可能存在偏差。负偏差在小样本数据集中尤为普遍，并且在生物信息学领域得到了广泛的分析。例如，看看下面的论文：https://www.ncbi.nlm.nih.gov/pubmed/17764577
长话短说：您的预测变量可能真的是随机的，但您对其性能 (AUC) 的估计存在偏差。如果是这种情况，就没有 "best" 预测器，因为它们都和抛硬币一样好。