Udostępnij za pośrednictwem


CalibratedBinaryClassificationMetrics Klasa

Definicja

Wyniki oceny dla klasyfikatorów binarnych, w tym metryki probabilistyczne.

public sealed class CalibratedBinaryClassificationMetrics : Microsoft.ML.Data.BinaryClassificationMetrics
type CalibratedBinaryClassificationMetrics = class
    inherit BinaryClassificationMetrics
Public NotInheritable Class CalibratedBinaryClassificationMetrics
Inherits BinaryClassificationMetrics
Dziedziczenie
CalibratedBinaryClassificationMetrics

Właściwości

Accuracy

Pobiera dokładność klasyfikatora, który jest proporcją poprawnych przewidywań w zestawie testowym.

(Odziedziczone po BinaryClassificationMetrics)
AreaUnderPrecisionRecallCurve

Pobiera obszar pod krzywą precyzji/kompletności klasyfikatora.

(Odziedziczone po BinaryClassificationMetrics)
AreaUnderRocCurve

Pobiera obszar pod krzywą ROC.

(Odziedziczone po BinaryClassificationMetrics)
ConfusionMatrix

Macierz pomyłek dająca liczby prawdziwie dodatnich, prawdziwie ujemnych, fałszywie dodatnich i fałszywie ujemnych dla dwóch klas danych.

(Odziedziczone po BinaryClassificationMetrics)
Entropy

Pobiera entropię zestawu testów, która jest poprzednią utratą dzienników na podstawie proporcji dodatnich i negatywnych wystąpień w zestawie testów. Klasyfikator LogLoss niższy niż entropia wskazuje, że klasyfikator lepiej niż przewidywanie proporcji wystąpień dodatnich jako prawdopodobieństwa dla każdego wystąpienia.

F1Score

Pobiera wynik F1 klasyfikatora, który jest miarą jakości klasyfikatora, biorąc pod uwagę zarówno precyzję, jak i kompletność.

(Odziedziczone po BinaryClassificationMetrics)
LogLoss

Pobiera stratę dziennika klasyfikatora. Utrata dzienników mierzy wydajność klasyfikatora w odniesieniu do tego, ile przewidywanych prawdopodobieństwa różni się od prawdziwej etykiety klasy. Niższa utrata dzienników wskazuje lepszy model. Idealny model, który przewiduje prawdopodobieństwo 1 dla prawdziwej klasy, będzie miał stratę dziennika 0.

LogLossReduction

Pobiera redukcję strat dzienników (znaną również jako względna utrata dzienników lub zmniejszenie zysków informacji — RIG) klasyfikatora. Daje on miarę tego, jak bardzo model poprawia się w modelu, który daje losowe przewidywania. Zmniejszenie utraty dzienników bliżej 1 wskazuje lepszy model.

NegativePrecision

Pobiera ujemną precyzję klasyfikatora, która jest proporcją poprawnie przewidywanych ujemnych wystąpień we wszystkich przewidywaniach ujemnych (tj. liczba wystąpień ujemnych przewidywanych jako ujemna, podzielona przez łączną liczbę wystąpień przewidywanych jako ujemne).

(Odziedziczone po BinaryClassificationMetrics)
NegativeRecall

Pobiera ujemne wycofanie klasyfikatora, który jest proporcją poprawnie przewidywanych ujemnych wystąpień we wszystkich wystąpieniach ujemnych (tj. liczba wystąpień ujemnych przewidywanych jako ujemna, podzielona przez całkowitą liczbę wystąpień ujemnych).

(Odziedziczone po BinaryClassificationMetrics)
PositivePrecision

Pobiera dodatnią precyzję klasyfikatora, który jest proporcją poprawnie przewidywanych dodatnich wystąpień we wszystkich dodatnich przewidywaniach (tj. liczba wystąpień dodatnich przewidywanych jako dodatnia, podzielona przez łączną liczbę wystąpień przewidywanych jako dodatnie).

(Odziedziczone po BinaryClassificationMetrics)
PositiveRecall

Pobiera pozytywne wycofanie klasyfikatora, który jest proporcją poprawnie przewidywanych dodatnich wystąpień wśród wszystkich wystąpień dodatnich (tj. liczba wystąpień dodatnich przewidywanych jako dodatnia, podzielona przez całkowitą liczbę wystąpień dodatnich).

(Odziedziczone po BinaryClassificationMetrics)

Dotyczy