Визуализация roc-кривых для классификации прочности бетона

Дерево - Класс 1 (AUC = 0.8885)

Дерево - Класс 2 (AUC = 0.7893)

ВИЗУАЛИЗАЦИЯ ROC-КРИВЫХ:

СРАВНИТЕЛЬНЫЙ АНАЛИЗ AUC:

Класс kNN AUC Дерево AUC Разница

Высокая 0.857 0.901 -0.044 Дерево

Низкая 0.834 0.888 -0.054 Дерево

Средняя 0.749 0.789 -0.040 Дерево

Средний AUC 0.813 0.859 -0.046

Сравнительный анализ AUC по классам показывает последовательное и значительное превосходство дерева решений. Для каждого из трёх классов прочности модель дерева демонстрирует более высокую площадь под ROC-кривой, причём наибольшее преимущество (+0.054) наблюдается для класса "Низкая" прочность. Это означает, что дерево решений не только выигрывает в среднем, но и обеспечивает более качественное разделение для каждого конкретного типа бетона. Разница в 0.04-0.05 пункта AUC является статистически и практически значимой, особенно в контексте инженерных задач.

ИНТЕРПРЕТАЦИЯ AUC:

kNN (средний AUC = 0.813): Хорошее качество

Дерево (средний AUC = 0.859): Хорошее качество

Обе модели показывают "хорошее" качество согласно шкале AUC, однако дерево решений (0.859) находится в верхней части этого диапазона, вплотную приближаясь к границе "отличного" уровня (0.9). Средний AUC модели kNN (0.813), хотя и формально попадает в ту же категорию, существенно отстаёт. Это подтверждает, что дерево решений обладает более сбалансированной и эффективной дискриминационной способностью в рамках многоклассовой задачи.

ДОПОЛНИТЕЛЬНЫЙ АНАЛИЗ:

Микро-усредненный AUC:

kNN: 0.8131

Дерево: 0.8589

ВЫВОДЫ И РЕКОМЕНДАЦИИ ДЛЯ БЕТОНА:

Дерево решений показывает лучшее качество по ROC-кривым

Модель лучше разделяет классы по пороговым значениям

Рекомендуется использовать дерево для интерпретируемости

ПРАКТИЧЕСКОЕ ПРИМЕНЕНИЕ:

• AUC > 0.9: Модель отлично подходит для контроля качества бетона

• AUC 0.8-0.9: Модель можно использовать в производстве

• AUC 0.7-0.8: Требуется дополнительная настройка или данные

• AUC < 0.7: Модель не рекомендуется для практического применения

ВЫВОД

В результате исследования двух алгоритмов классификации было установлено, что для задачи прогнозирования класса прочности бетона по его составу метод дерева решений показал себя предпочтительнее, продемонстрировав более высокую точность и лучшее разделение классов (AUC = 0.86). Хотя kNN также даёт приемлемый результат, дерево решений предлагает лучший баланс между точностью, устойчивостью и возможностью интерпретации решающих правил, что важно для инженерной практики.