mysimulator.uk
🔍 Пошук симуляцій…/
UK ▼
EnglishУкраїнськаПоточнаPolskiEspañolDeutsch日本語ItalianoPortuguês (BR)FrançaisالعربيةNederlands中文한국어हिन्दीTürkçeTiếng ViệtРусскийBahasa IndonesiaفارسیবাংলাไทยFilipinoKiswahiliاردوBahasa Melayuதமிழ்עבריתΕλληνικάਪੰਜਾਬੀአማርኛမြန်မာဘာသာខ្មែរქართულიनेपालीМонгол хэлՀայերենසිංහලລາວČeštinaRomânăMagyarБългарскиSvenskaDanskSuomiNorskSlovenčinaHrvatski
Головна▸ШІ та Машинне навчання▸Прогнозувальник Повторної Госпіталізації — ROC/AUC Наживо

🏥 Прогнозувальник Повторної Госпіталізації — ROC/AUC Наживо

Спостерігайте, як справжня модель логістичної регресії ризику повторної госпіталізації оцінює симульовані випадки виписки, з живою кривою ROC та AUC, обчисленими безпосередньо з реальних/хибних позитивних показників моделі під час перетягування порогу рішення.

ШІ та Машинне навчання3DСкладний60 FPS
ai-healthcare-readmission-prediction ↗ Відкрити окремо

Про цю симуляцію

Ця симуляція навчає справжній класифікатор логістичної регресії на синтетичних записах виписки з лікарні й дозволяє перевірити його продуктивність так, як це справді роблять клініцисти й аналітики даних: через живу криву ROC та AUC, обчислені безпосередньо з матриці помилок моделі, а не сценарну анімацію. Кожен випадок виписки несе чотири ознаки — вік, тривалість перебування, кількість попередніх госпіталізацій і кількість супутніх захворювань — поєднані через приховане логістичне правило плюс шум, щоб вирішити, чи буде цей пацієнт повторно госпіталізований протягом 30 днів. Градієнтний спуск навчає справжні ваги на справжній втраті бінарної крос-ентропії, а отримані ймовірності проходять кожен поріг від 0 до 1, щоб побудувати криву.

🔬 Що показано

Відкладений тестовий набір випадків виписки, кожен оцінений навченою моделлю логістичної регресії. Прогортання порогу рішення від 1 до 0 перераховує справжні позитивні, хибні позитивні, справжні негативні й хибні негативні на кожному кроці, утворюючи пари справжньої/хибної позитивної частоти, що складають криву ROC. Площа під цією кривою — AUC — інтегрується чисельно за правилом трапецій із фактично нанесених точок.

🎮 Як користуватися

Перетягніть жовтий маркер уздовж кривої ROC (або використайте повзунок порогу), щоб побачити, як TPR, FPR, точність і акуратність моделі оновлюються наживо для цього точного порогу. Використовуйте «Навчити», щоб запустити епохи градієнтного спуску й спостерігати, як падає крива втрат і загострюється крива ROC; «Перенавчити» скидає ваги до нуля й починає заново; «Регенерувати дані» малює абсолютно нову синтетичну когорту пацієнтів.

💡 Чи знали ви?

AUC має чіткий імовірнісний зміст: вона дорівнює ймовірності того, що випадково обраний повторно госпіталізований пацієнт отримає вищий прогнозований бал ризику, ніж випадково обраний неповторно госпіталізований пацієнт. Ідеальна модель набирає 1,0, підкидання монети — 0,5 — а реальні моделі повторної госпіталізації в опублікованій літературі зазвичай потрапляють десь у діапазон 0,65–0,75.

Часті питання

Що насправді відображає крива ROC?

Крива ROC (робоча характеристика приймача) відображає справжню позитивну частоту (чутливість) на вертикальній осі відносно хибної позитивної частоти (1 мінус специфічність) на горизонтальній осі для кожного можливого порогу рішення від 0 до 1. Кожна точка генерується бінаризацією прогнозованих ймовірностей моделі за цим порогом і підрахунком справжніх позитивних, хибних позитивних, справжніх негативних і хибних негативних у відкладеному тестовому наборі.

Як тут обчислюється AUC і що вона означає?

AUC (площа під кривою) обчислюється за правилом трапецій: точки ROC сортуються за хибною позитивною частотою, і площа кожної трапеції між послідовними точками підсумовується. AUC 0,5 означає, що класифікатор працює не краще за випадкове вгадування, 1,0 означає, що він ідеально розділяє два класи, а значення між ними описують ймовірність того, що випадково обраний повторно госпіталізований випадок оцінюється вище за випадково обраний неповторно госпіталізований.

Як насправді навчається модель логістичної регресії?

Чотири стандартизовані ознаки на випадок виписки — вік, тривалість перебування, кількість попередніх госпіталізацій і кількість супутніх захворювань — поєднуються з членом зсуву й множаться на вектор ваг, проходять через сигмоїдну функцію, щоб отримати прогнозовану ймовірність. Навчання мінімізує бінарну крос-ентропію (логарифмічну втрату) між прогнозами й справжніми мітками за допомогою пакетного градієнтного спуску.

Чому переміщення порогу змінює TPR, FPR і точність?

Модель видає безперервну прогнозовану ймовірність повторної госпіталізації для кожного випадку; поріг — це межа, вище якої випадок позначається як «прогнозовано позитивний». Зниження порогу позначає більше випадків як позитивні, що підвищує справжню позитивну частоту (ловить більше реальних повторних госпіталізацій), але також підвищує хибну позитивну частоту (позначає більше людей, які не будуть повторно госпіталізовані), зазвичай знижуючи точність.

Чи є базовий набір даних справжніми даними пацієнтів?

Ні. Випадки виписки синтетичні: чотири ознаки кожного випадку взяті з рандомізованих розподілів і поєднані через приховане справжнє логістичне правило плюс гаусів шум, щоб вирішити мітку 30-денної повторної госпіталізації, імітуючи структуру сигнал-плюс-шум, яку мають реальні клінічні фактори ризику.

⚙ Під капотом

Модель логістичної регресії навчається через пакетний градієнтний спуск на справжній втраті бінарної крос-ентропії над синтетичними випадками виписки, потім її відкладені прогнози прогортаються за кожним порогом, щоб побудувати справжню криву ROC і AUC за правилом трапецій.

Canvas 2DLogistic RegressionROC CurveAUCMachine Learning

3D · рушій Three.js / WebGL · ціль 60 FPS · працює повністю на клієнті, без встановлення

Що ви знайшли?

Додати кроки відтворення (необов'язково)