Ось X отображает процент начальной популяции; ось Y представляет процент максимальной ожидаемой прибыли (включая набор предположения прибыли и затрат на экране стратегии прибыли).
Возможно отобразить только кривую переменной (по умолчанию) или кривые из всех трех поднаборов данных. Нажав кнопку Просмотреть все наборы данных, можно выбрать кривые оценки/проверки/теста.
Раскрывающееся меню Модели позволяет выбрать, для какой целевой переменной требуется отобразить кривые.
Панель инструментов под заголовком позволяет скопировать координаты в буфер обмена, распечатать график или сохранить его в формате PNG.
Раскрывающееся меню Вид обзора позволяет выбрать тип графика для просмотра. Выявленная (по умолчанию) будет обычной кривой прибыли, а Стандартная построит кривую прибыли со средним арифметическим 0. Подъемная сила позволяет изучить разницу между идеальной моделью и случайной моделью, а также между моделью, созданной SAP Predictive Analytics, и случайной моделью.
Пользовательская кривая прибыли позволяет пользователю указывать затраты на нецелевую категорию (то есть стоимость отправки почты для лица, не являющегося респондентом) и прибыль для целевой категории (например, покупки для респондента).
Ряд графов расширенной модели предоставляется в дополнение в стандартным графам, перечисленным выше.
Граф ROC является графом из теории распознавания сигналов.
Он отображает, как с точки зрения согласования модель отличает чувствительность от специфичности, а также корректное и ошибочное распознавание, поскольку порог распознавания отличается.
Чувствительность, которая появляется на оси Y, является пропорцией КОРРЕКТНО определенных найденных сигналов (истинных положительных наблюдений) (из всех истинных положительных наблюдений для набора проверочных данных).
[1 - специфичность], которая появляется на оси X, является пропорцией НЕКОРРЕКТНЫХ присвоений классу сигнала (ложные положительные наблюдения) (из всех истинных положительных наблюдений для набора проверочных данных). (Специфичность, против [1 - специфичность], является пропорцией КОРРЕКТНЫХ присвоений классу БЕЗ СИГНАЛОВ - истинные отрицательные наблюдения.)
Граф 'Хороший' по Лоренцу отображает кумулятивную пропорцию пропущенных сигналов (ложные отрицательные наблюдения), учитываемых записями, соответствующими нижней части x% оценок модели.
Ось Y измеряет [1 - чувствительность], то есть [1 - пропорция истинных отрицательных наблюдений], эквивалентная пропорции отсутствующих сигналов упущенной возможности. Поскольку данные упорядочены от данных, вероятно представляющих сигналы слева, до данных, вероятно представляющих сигналы справа, то чем медленнее подъем, тем более чувствительна модель с точки зрения сигналов распознавания (или респондентов). Строка ассистента направляется вверх от оси X в точке, соответствующей пропорции без сигналов в наборе проверочных данных.
Кривые для плотности отображают функцию плотности переменной оценки в наборе событий (“хорошая” плотность кривой) и в наборе без событий (“плохая” плотность кривой). Эти кривые можно просмотреть как “дериват” кривых по Лоренцу (функцию плотности определением деривата кумулятивной функции плотности).
Функция оцененной плотности в интервале равна:
Кривые риска отображают оценку риска, плотность популяции и отношение шансов. Это отношение рассчитывается следующим образом:
Ось Y для кривой возможности находится справа. Ось Y плотности для популяции и хороших/плохих шансов слева.
Стандартная прибыль может быть рассчитана по следующей формуле для двоичных целей, если f1 — частота наиболее редкого целевого класса TC1 (и f2 = 1 - f1 — вероятность наиболее частого целевого класса TC2). В этом случае наиболее частый целевой класс "ассоциируется" с прибылью, равной f2, а наиболее частый целевой класс с прибылью, равной -f1. Эти нормализованные значения прибыли выбираются, например, следующим образом: profit(TC1) * proba(TC1) + profit(TC2) * proba(TC2) = 0
Затем рассчитывается: normalProfit(C) = Profit(TC2) * P(TC2|C) + Profit(TC1) * P(TC1|C)