本文探讨了机器学习中的AUC概念，解释了AUC如何衡量分类器性能，指出AUC越大，分类效果越好。同时，介绍了ARIMA模型，这是一种自回归积分滑动平均模型，用于通过历史数据预测未来趋势，如在股票预测中的应用。
AUC（Area Under Curve）
取不同的参数值，是的TP,FN,FP,TN的分布不同的曲线图，
上述的图的参数取值位置不同，则得到TP,FN,FP,TN不同的值，然后的到TPR和FPR的点，则在图上会表示出一条线（ROC），如果AUC越大（面积越大），则表示分类器则越好；
机器学习-AUC-ORC-ARIMA
取不同的参数值，是的TP,FN,FP,TN的分布不同的曲线图，
上述的图的参数取值位置不同，则得到TP,FN,FP,TN不同的值，然后的到TPR和FPR的点，则在图上会表示出一条线（ROC），如果AUC越大（面积越大），则表示分类器则越好；
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
最低0.47元/天 解锁文章
扫一扫
