JavaScript для глубокого обучения 2021 TensorFlow js Ббк

Глава 3. Вводим нелинейность: теперь не только взвешенные суммы
129
Рис. 3.5.
Пример прохождения цикла обучения модели для обнаружения фишинговых сайтов. Обратите внимание на различные метрики 
внизу рисунка: точность, полнота и
FPR. Метрика «Площадь под кривой» (ar
ea under the curv
e, A
UC) обсуждается в
подразделе
3.2.3

---

130
Часть II • Введение в TensorFlow.js
Рис. 3.6.
Набор примеров кривых ROC, полученных во время обучения модели для обнаружения 
фишинга. Все кривые относятся к различным эпохам и демонстрируют постепенное улучшение 
качества модели бинарной классификации по мере ее обучения
Определение TPR соответствует определению полноты — это просто другое 
название метрики. FPR же представляет нечто новое для нас. В знаменателе ее 
формулы — количество всех случаев, когда на самом деле класс примера данных не­
гативный; числитель же равен количеству всех ложнопозитивных случаев. Другими 
словами, FPR — это доля действительно негативных примеров данных, ошибочно 
классифицированных как позитивные, то есть вероятность так называемого 
ложного 
срабатывания
(false alarm). В табл. 3.3 приведен список наиболее часто встреча­
ющихся метрик для задач бинарной классификации.
Таблица 3.3.
Распространенные метрики для задач бинарной классификации
Название метрики
Определение
Использование в кривых ROC или кривых 
зависимости «точность/полнота»
Безошибочность
(#TP + #TN) / (#TP + 
+ #TN + # FP + #FN)
Не используется в кривых ROC
Точность
#TP / (#TP + #FP)
Вертикальная ось координат графика кривой 
«точность/полнота»
Полнота/чувствитель­
ность/частота 
истинно позитивных 
результатов (TPR)
#TP / (#TP + #FN)
Вертикальная ось координат графика кривой 
ROC (как на рис. 3.6) или горизонтальная 
ось координат графика кривой «точность/
полнота»
Частота ложнопозитив­
ных результатов (FPR)
#FP / (#FP + #TN)
Горизонтальная ось координат графика 
кривой ROC (см. рис. 3.6)

---