CalibratedBinaryClassificationMetrics 類別

定義

命名空間:

Microsoft.ML.Data

組件:

Microsoft.ML.Data.dll

套件:

Microsoft.ML v2.0.0

二元分類器的評估結果，包括機率計量。

public sealed class CalibratedBinaryClassificationMetrics : Microsoft.ML.Data.BinaryClassificationMetrics

type CalibratedBinaryClassificationMetrics = class
    inherit BinaryClassificationMetrics

Public NotInheritable Class CalibratedBinaryClassificationMetrics
Inherits BinaryClassificationMetrics

繼承

Object

BinaryClassificationMetrics

CalibratedBinaryClassificationMetrics

屬性

Accuracy	取得分類器的精確度，這是測試集中正確預測的比例。 (繼承來源 BinaryClassificationMetrics)
AreaUnderPrecisionRecallCurve	取得分類器精確度/召回率曲線下的區域。 (繼承來源 BinaryClassificationMetrics)
AreaUnderRocCurve	取得 ROC 曲線下的區域。 (繼承來源 BinaryClassificationMetrics)
ConfusionMatrix	混淆矩陣會提供兩種資料類別的真肯定、真判為真、誤判和誤判。 (繼承來源 BinaryClassificationMetrics)
Entropy	取得測試集 Entropy，這是根據測試集中的正數和負實例比例，先前的記錄損失。 分類器的小於 entropy 表示分類器 LogLoss 比預測正實例的比例做為每個實例的機率更好。
F1Score	取得分類器的 F1 分數，這是分類器品質的量值，考慮精確度和召回率。 (繼承來源 BinaryClassificationMetrics)
LogLoss	取得分類器的記錄遺失。 對數損失會測量分類器的效能，相對於預測機率與 true 類別標籤的相差程度。 較低的記錄遺失表示較佳的模型。 預測 true 類別的機率為 1 的完美模型，將會有 0 的對數損失。
LogLossReduction	取得記錄損失減少 (也稱為相對記錄損失，或減少資訊提升 - 分類器的 RIG) 。 它提供模型在提供隨機預測之模型上改善的量值。 較接近 1 的記錄遺失減少表示較佳的模型。
NegativePrecision	取得分類器的負精確度，這是所有負預測 (中正確預測負實例的比例，亦即預測為負數的實例數目除以預測為負數的實例總數) 。 (繼承來源 BinaryClassificationMetrics)
NegativeRecall	取得分類器的負回收，這是所有負實例之間正確預測的負實例比例 (亦即，預測為負數的實例數目除以負數實例總數) 。 (繼承來源 BinaryClassificationMetrics)
PositivePrecision	取得分類器的正精確度，這是所有正數預測 (中正確預測的正實例比例，亦即預測為正數的實例數目除以預測為正數的實例總數) 。 (繼承來源 BinaryClassificationMetrics)
PositiveRecall	取得分類器的正面召回率，這是所有正數實例之間正確預測的正實例比例 (亦即，預測為正數的實例數目除以正實例總數) 。 (繼承來源 BinaryClassificationMetrics)