Hacktoberfest 2026: những issue maintainer đã đánh dấu cho tháng Mười, đang mở và phù hợp người mới. Xem issue Hacktoberfest

[FAQ]

Đang mở Phù hợp với người mới
  • Có gì không ổn?
#484 1 bình luận 0 reaction 0 người được giao Xem trên GitHub

Maintainer thường phản hồi trong vòng 2 ngày

@github-actions đang làm issue này rồi.

Từ ngày 19/10/2026.

  • #485 của @github-actions — đang mở

Đánh giá

Độ khó
1/5
Thời gian dự kiến
Dưới một giờ
Mức phù hợp với người mới
80/100
Loại issue
Tài liệu
Độ rõ ràng
Đặc tả rõ ràng
Mức độ hoạt động
Sôi nổi
Công nghệ
machine-learning, python
Lĩnh vực
content, documentation

Hướng nghiên cứu

Trước tiên, hãy đọc hướng dẫn đóng góp cho FAQ và các mục lân cận trong kho lưu trữ DataTalksClub/faq để xem các câu hỏi về khóa học được sắp xếp như thế nào. Đối chiếu phần giải thích về ROC AUC với tài liệu khóa học, đặc biệt là các khẳng định về sự cân bằng lớp và dự đoán hằng. Công việc hoàn tất khi mục FAQ chính xác, hữu ích và tuân theo định dạng của kho lưu trữ.

Do mô hình lập chỉ mục viết ra từ nội dung của issue.

Mô tả

faq-proposal
Course

machine-learning-zoomcamp

Question

Why use ROC AUC instead of accuracy?

Answer

Short answer: accuracy depends on one threshold and on class balance. ROC AUC depends on neither. It measures how well the model ranks positives above negatives, across every possible threshold.

1. Accuracy depends on one fixed threshold

A logistic regression outputs a probability, such as 0.63. Accuracy only makes sense after you choose a cut-off, usually 0.5, and turn those probabilities into yes/no predictions. Change the threshold and accuracy changes too.

ROC AUC sweeps through all thresholds and summarizes the whole trade-off in one number.

2. Accuracy can be misleading with imbalanced classes

The lead-scoring data is 57.7% converted (2,883 of 5,000 leads). A model that predicts "converted" for everyone gets about 58% accuracy without learning anything.

The problem gets worse with more imbalance. If only 1% of cases are positive, always predicting "negative" gives 99% accuracy.

ROC AUC is not fooled this way. A constant prediction always scores 0.5, which is random-guess level, no matter how the classes are split.

3. AUC has a clear meaning

AUC = the probability that a randomly chosen positive example gets a higher score than a randomly chosen negative one.

That's why Question 1 can use a raw feature such as lead_score as a "prediction". AUC only cares about ordering, so the feature does not need to be a probability.

Checklist
  • I have searched existing FAQs and this question is not already answered
  • The answer provides accurate, helpful information
  • I have included any relevant code examples or links
Ngôn ngữ chính
Python
Star
7
Fork
19
Merge trung bình
9 ngày 22 giờ
Pull request đã merge (30 ngày)
10

Chuẩn bị môi trường

Bắt đầu từ đâu

  1. Đọc hết issue, rồi đọc hướng dẫn đóng góp của dự án.
  2. Bình luận trên issue rằng bạn sẽ nhận — tránh hai người làm cùng một việc.
  3. Fork repository và làm thay đổi trên một nhánh.
  4. Mở pull request có tham chiếu số hiệu của issue.

Issue khác của DataTalksClub/faq

Tất cả issue của DataTalksClub/faq

Issue tương tự

Thêm issue về Python

Nhận issue mới trong hộp thư của bạn

Bản tóm tắt ngắn những issue GitHub phù hợp với người mới.