【機械学習】AUCとGini係数の関係を理解する【評価指標】 - Qiita
はじめに 二値分類の評価指標について 「AUCとGini係数ってどんな関係だっけ？」 と毎回忘れては調べているので、いい加減覚える意味で体系的にまとめてみる。 この記事では AUCとは何か？ Gini係数とは何か 両者はどんな関係があるか？ を理解することを目的とする。 最初に結論 AUCとGini係数の間には の関係がある。 AUCは0.5から1の範囲を取るため、Gini係数は0から1までの範囲を取る。 どちらも値が大きいほど分類性能が良いことを表す。 最終的にこの式を理解することを目的としよう。 AUCを理解しよう AUC （Area Under the Curve）は二値分類における有名な評価指標の一つであり、文字通り、「ROC曲線下の面積」を表す。 ROC曲線とは？ ROC (Receiver Operating Charastaristic Curve)は受信者操作特性と呼ばれる
機械学習のモデル評価、説明可能性のための指標 その１。ジニ係数とAUC。 - Qiita
推計された延滞率に対する順序性尺度によってモデルの精度を評価する。 はじめに Credit scoreでは、延滞する・しないを完全に分類するよりも、どのくらいの確率で延滞するかが重要です。そして、その確率に分類された結果が正しいか正しくないかという事も重要となります。その為の代表的な指標が、完璧なモデルと予測力がないモデルと予測したモデルを順序性尺度を使って評価されたものです。 説明可能性についてのまとめはこちら。 理解されるPOC作成のために、機械学習したモデルをどう評価し説明するかのまとめ。 指標にはGini indexまたはGini coefficient(ジニ係数)、AR(Accuracy ratio) (AR値)、AUC(Area under an ROC curve)を使用します。ここで指すジニ係数＝AR値で、海外ではジニ係数を日本ではAR値を使用する事が多いようです。以降はジ
回帰モデル・クラス分類モデルを評価・比較するためのモデルの検証 (Model validation)
いろいろな回帰モデル・クラス分類モデルを構築したり、モデルの中のハイパーパラメータ (PLSの成分数など) を決めたりするとき、モデルを評価・比較しなければなりません。そのためのモデルの検証 (model validation) の方法について、pdfとパワーポイントの資料を作成しました。 データセットの説明からはじまり、モデル評価・比較するための指標・ハイパーパラメータの決め方・データの選び方などについて説明されています。pdfもスライドも自由にご利用ください。 pdfファイルはこちらから、パワーポイント(pptx)ファイルはこちらからダウンロードできます。 興味のある方はぜひ参考にしていただき、どこかで使いたい方は遠慮なくご利用ください。 スライドのタイトル “良い”回帰モデル・クラス分類モデルとは何か？ データセットの呼び方 比較指標 回帰分析 決定係数 r2 回帰分析 RMSE 回
【入門者向け】機械学習の分類問題評価指標解説(正解率・適合率・再現率など) - Qiita
分類問題の評価指標の言葉の定義に関するメモです。いつも、やるたびにググって思い出しているので、記憶を定着させるために作りました。さすがにそろそろ 「覚えるぞ」という意思を込めて結構、力を入れました 混合行列(Confusion Matrix)とTP, FP, FN, TN まずは基本の基本から。二値分類の正解・不正解の種類です。 TP(True Positive)、FP(False Positive)、FN(False Negative)、TN(True Negative)の4種類です。 1文字目：T(True)は予測正解、F(False)は予測不正解。 2文字目：Pは予測が正(Positive)、Nは予測が負(Negative) TP、FP、FN、TNのマトリックスを混合行列(Confusion Matrix)と呼びます。下の混合行列で太字部分(TPとTN)は正解です。太字でないFPとF
1
リリース、障害情報などのサービスのお知らせ
最新の人気エントリーの配信
j次のブックマーク
k前のブックマーク
lあとで読む
eコメント一覧を開く
oページを開く
