- Ausführende
-
Lernen
Python lernen Ausführbare Beispiele, NumPy, pandas und mehr KI / Machine Learning lernenNeuronale Netze, ML und LLMs von Grund auf C/C++ lernen Zeiger, Speicher, STL und modernes C++ C# lernenC#-Grundlagen, OOP, LINQ, Async und .NET-Übungen Matplotlib lernenLinien-, Balken-, Streu- und Kreisdiagramme mit interaktiven Visualisierungen Rust lernenOwnership, Traits, Fehlerbehandlung und Threads Go lernenSlices, Interfaces, Goroutinen und Channels Python-Algorithmen Suche, Sortierung, Rekursion und Visualisierungen O(n) C/C++-Algorithmen Implementierungen in C und C++ vergleichen Programmieren für Kinder Spielend programmieren lernen!
- QuizzeNeu
- AufgabenNeu
- Für LehrkräfteNeu
- Aktualisierungen
- Spendier mir einen Kaffee
AI & Machine Learning-Quiz: ROC Curve & AUC
This hard quiz goes beyond "higher AUC is better". You will compute TPR, FPR and AUC by hand, read what AUC means as a ranking probability, and see why it ignores calibration and can flatter models on heavily imbalanced data.
Beispielfrage
Frage 1 von 10What does a ROC curve plot?
Lösung zeigen
B. True positive rate against false positive rate as the threshold changes Each threshold gives one (FPR, TPR) point, with FPR on the x-axis and TPR (recall) on the y-axis; sweeping the threshold traces the curve. Precision against recall is the PR curve.
Darum geht es in diesem Quiz
- TPR vs FPR across all thresholds
- AUC as the chance a random positive outranks a random negative
- Computing AUC from a few scores
- Monotonic transforms, calibration and AUC below 0.5
- When a precision-recall curve is the better choice
Häufige Fragen
Brauche ich ein Konto?
Nein. Jeder kann spielen. Mit Anmeldung werden XP, Serie, Abzeichen und Verlauf gespeichert.
Kann ich es wiederholen?
Ja. Dein Bestwert bleibt erhalten, und Fragen und Antworten werden jedes Mal neu gemischt.