where θ is a constant. By varying t

where θ is a constant. By varying the threshold θ it is possible to “tune” the false positive and true positive rates generated by C. The ROC curve is a two dimensional curve. The coordinates (x, y) of the points on the ROC curve represent the false positive and true positive rate generated by C using different values of the threshold θ. The ROC curve represents a good way to visualize a classifier’s performance and helps in choosing a suitable operating point, i.e., a suitable value of the decision threshold θ for the classifier C for which the desired trade-off between F P and T P is attained. However, when comparing different classification algorithms it is often desirable to obtain a number, instead of a graph, as a measure of classification performance [17]. Therefore, the AUC is used as an estimate of classification performance. The highest the AUC, the better the classification performance of a classifier C. In particular, the AUC is an estimate of the probability P(µp(zp ) > µp(zn )), where zp ∈ ωp represents a generic positive pattern, and zn ∈ ωn represents a generic negative pattern. Therefore, the AUC is an estimate of the probability that the classifier scores the positive patterns higher than the negative ones [17].
Many other methods for estimating and comparing the performance of classifiers exist. We suggest the reader to refer to [51, 29, 44, 57] for a more complete discussion and for the details on estimating classification accuracy and performing model selection.

Kết quả (Việt) 1:

nơi θ là một hằng số. Bằng cách thay đổi ngưỡng θ có thể để "điều chỉnh" các sai tích cực và thực sự tích cực tỷ lệ được tạo ra bởi C. Đường cong ROC là hai chiều đường cong. Tọa độ (x, y) của các điểm trên đường cong ROC đại diện cho sai tích cực và thực sự tích cực tỷ lệ được tạo ra bởi C bằng cách sử dụng các giá trị khác nhau của θ ngưỡng. Đường cong ROC đại diện cho một cách tốt để hình dung một loại hiệu suất và giúp trong việc lựa chọn một điểm hoạt động thích hợp, tức là một giá trị phù hợp của quyết định θ ngưỡng cho C loại mà bạn muốn thương mại-off giữa F P và T P là đạt được. Tuy nhiên, khi so sánh các thuật toán phân loại khác nhau người ta thường mong muốn để có được một số, thay vì một đồ thị, như một biện pháp hiệu suất phân loại [17]. Vì vậy, AUC được sử dụng như một ước tính của phân loại hiệu suất. Cao nhất AUC, tốt hơn hiệu suất phân loại của một loại C. Đặc biệt, AUC là một ước tính của xác suất P (µp (zp) > µp (zn)), nơi zp ∈ ωp đại diện cho một mô hình tích cực chung và zn ∈ ωn đại diện cho một mô hình âm chung. Vì vậy, AUC là một ước tính của xác suất rằng loại điểm số các mô hình tích cực cao hơn tiêu cực người [17].Nhiều phương pháp khác cho các ước tính và so sánh hiệu suất của máy phân loại tồn tại. Chúng tôi khuyên bạn nên đọc để tham khảo [51, 29, 44, 57] cho một cuộc thảo luận đầy đủ hơn và cho các chi tiết trên ước tính phân loại chính xác và thực hiện các mô hình lựa chọn.

Kết quả (Việt) 2:

nơi θ là một hằng số. Bằng cách thay đổi ngưỡng θ có thể "điều chỉnh" các giá tích cực tích cực và sai sự thật được tạo ra bởi đường cong C. Trung Hoa Dân Quốc là một đường cong hai chiều. Các tọa độ (x, y) của các điểm trên đường cong ROC đại diện cho tỷ lệ dương tính tích cực và sai sự thật được tạo ra bởi C sử dụng các giá trị khác nhau của θ ngưỡng. Đường cong ROC đại diện cho một cách tốt để hình dung hiệu suất của phân loại và giúp trong việc lựa chọn một điểm hoạt động phù hợp, tức là một giá trị thích hợp của θ ngưỡng quyết định cho việc phân loại C mà mong muốn thương mại-off giữa FP và TP được thành tựu. Tuy nhiên, khi so sánh các thuật toán phân loại khác nhau nó thường là mong muốn để có được một số, thay vì một đồ thị, như một biện pháp thực hiện phân loại [17]. Do đó, AUC được sử dụng như một ước tính hiệu suất phân loại. Các cao nhất AUC, hiệu suất tốt hơn phân loại của một C. phân loại Đặc biệt, AUC là một ước tính xác suất P (μp (ZP)> μp (zn)), nơi ZP ∈ ωp đại diện cho một mô hình tích cực chung chung, và zn ∈ ωn đại diện cho một mô hình tiêu cực chung chung. Do đó, AUC là một ước tính xác suất mà các điểm phân loại cao hơn so với những người tiêu cực [17]. Các mẫu dương
Nhiều phương pháp khác để đánh giá và so sánh hiệu suất của phân loại tồn tại. Chúng tôi đề nghị người đọc để tham khảo [51, 29, 44, 57] cho một cuộc thảo luận hoàn chỉnh hơn và cho các chi tiết trên ước tính chính xác phân loại và thực hiện mô hình lựa chọn.