JavaScript для глубокого обучения 2021 TensorFlow js Ббк

Часть II • Введение в TensorFlow.js
одновременно высокой точности и полноты (в ином случае задача оказалась бы 
очень простой и машинное обучение вообще бы не понадобилось). Точность и полно­
та служат для тонкой подстройки модели в областях, где принципиально неизвестно, 
каким должен быть правильный ответ. Вы встретите еще более дифференцирован­
ные и сложные метрики, например 
Точность при полноте
X %
, где X около 90 % — 
точность при настройке модели на поиск как минимум 90 % позитивных примеров 
данных. Например, из рис. 3.5 видно, что после 400 эпох обучения наша модель об­
наружения фишинга достигла точности 96,8 %, а полноты — в 92,9 % при пороговом 
значении вероятности классификации 0,5.
Важно отметить, что пороговое значение выходного сигнала сигма­функции 
для выбора позитивных предсказаний не должно быть равно 0,5. На самом деле 
в зависимости от обстоятельств может быть удобнее задать его равным значению 
больше 0,5 (но меньше 1) или меньше 0,5 (но больше 0). При снижении этого по­
рогового значения модель с большей щедростью раздает входным примерам данных 
позитивные метки, в результате чего повышается полнота, но снижается точность. 
С другой стороны, при повышении этого порогового значения модель с большей 
осторожностью раздает входным примерам данных позитивные метки, так что 
точность повышается, зато снижается полнота. Следовательно, наблюдается опре­
деленный баланс между точностью и полнотой, который весьма непросто выразить 
количественно с помощью какой­либо из вышеупомянутых метрик. К счастью, об­
ширные исследования в области бинарной классификации выявили лучшие способы 
количественного выражения и визуализации этого соотношения. Для данной цели 
часто используется кривая ROC.
3.2.3. Кривая ROC: наглядное представление 
соотношения плюсов и минусов при бинарной 
классификации
Кривые ROC применяются во множестве разнообразных инженерных задач, тре­
бующих бинарной классификации или обнаружения определенных видов собы­
тий. Полное ее название — 
рабочие характеристики приемника
(receiver operating 
characteristic) — появилось в эпоху первых радаров. Сегодня оно практически 
не встречается в литературе. На рис. 3.6 приведен пример кривой ROC для нашего 
приложения.
Как видно из меток осей координат на рис. 3.6, кривые ROC не отражают зависи­
мость точности и полноты, а основаны на двух несколько других метриках. По гори­
зонтальной оси координат кривой ROC откладывается 
частота ложнопозитивных
результатов классификации (false positive rate, FPR):
FPR = #FP / (#FP + #TN)
А по вертикальной оси кривой ROC откладывается 
частота истиннопозитивных
результатов (true positive rate, TPR):
TPR = #TP / (#TP + #FN) = полнота

---