Я изучаю Neural Network Toolbox в MATLAB. Я протестировал его на данных из репозитория машинного обучения и нарисовал график расчета ROC с учетом данных. Я рассчитал ROC для всех частей: обучение, проверка и тестирование. Я понимаю, что представляют кривые ROC, чему соответствует конкретная точка отсечки и почему мы называем это компромиссом между TPR и FPR.
Этот ROC представляет собой хорошую классификацию, но моя цель состоит в том, чтобы повлиять на решение, если классификатор обеспечивает больше TP (с более высоким TPR), даже если я принимаю больше FPR? Я могу прочитать на графике, что если я ожидаю 90% TP, мне также придется принять чуть более 40% FPR. Как это знание может помочь в настройке текущей производительности классификации?
Есть ли какое-либо свойство в структуре, которую возвращает NN (например, «patternnet»), которое позволило бы мне настроить классификатор в соответствии с тем, что показывает ROC, а затем сделать классификатор, чтобы дать больше TRP и FPR? Я не уверен, возможно ли это.
Спасибо