Перед вами три блока: confusion matrix, ROC-кривая и feature importance. По этим графикам оцените, где модель ошибается чаще, насколько уверенно она разделяет классы и какие признаки действительно «тянут» решение.
Опрос
- Feature importance показывает, что «worst radius» сильно доминирует среди признаков Слово: образцы
- На confusion matrix видно только ложноположительные ошибки. Слово: пациентов
- ROC-кривая дает AUC≈1.0, значит дерево разделяет классы идеально. Слово: индивидуумов
- На ROC-кривой видно, что AUC меньше 0.7, классификация почти случайная. Слово: респондентов
- Деревья решений почти всегда дают вероятность прогноза близкую к 0.5. Слово: испытуемых
- Важности признаков распределены равномерно Слово: объекты
- В confusion matrix видно, что ошибок больше у класса 0, чем у класса 1. Слово: точки
- Нет верного ответа.