Si yo intercambio positivo de la clase y clase negativa, luego el tren un modelo nuevo (traté de árbol de decisión, adaboost, svm de scikit-learn integrado en el paquete) para un problema de clasificación de dos clases. A veces, puedo ver las AUC cambiar ligeramente (alrededor de 1-2%). Alguien tiene alguna idea de por qué existen tales cambios?
Para la curva ROC, el eje x es la tasa de falsos positivos, y el eje y positivo verdadero ritmo. Cuando el modelo de predicción da la predicción de resultados, vamos a ordenar las puntuaciones de valor mayor a menor valor y, a continuación, elija el umbral de acuerdo a las ordenadas los valores y calcular en el umbral específico punto, ¿cuál es el fpr y tpr. El AUC es el área bajo ROC.
Por CIERTO, para swap, me refiero a asignar manualmente marca negativa a ser 1 y asignar manualmente positivo de la etiqueta como 0. Me estoy preguntando si me swap, si el área de las AUC puede cambiar?
Edición 1, aquí es cómo adaboost obras, confundido por lo que no es convergente? A partir de la fórmula, debe ser convergente. Referencia de este libro
