CalibratedBinaryClassificationMetrics Třída

Definice

Obor názvů:

Microsoft.ML.Data

Sestavení:

Microsoft.ML.Data.dll

Balíček:

Microsoft.ML v2.0.0

Výsledky vyhodnocení pro binární klasifikátory, včetně pravděpodobnostních metrik.

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

type CalibratedBinaryClassificationMetrics = class
    inherit BinaryClassificationMetrics

Public NotInheritable Class CalibratedBinaryClassificationMetrics
Inherits BinaryClassificationMetrics

Dědičnost

Object

BinaryClassificationMetrics

CalibratedBinaryClassificationMetrics

Vlastnosti

Accuracy	Získá přesnost klasifikátoru, což je podíl správných predikcí v testovací sadě. (Zděděno od BinaryClassificationMetrics)
AreaUnderPrecisionRecallCurve	Získá oblast pod křivku přesnosti/úplnosti klasifikátoru. (Zděděno od BinaryClassificationMetrics)
AreaUnderRocCurve	Získá oblast pod křivkou ROC. (Zděděno od BinaryClassificationMetrics)
ConfusionMatrix	Konfuzní matice, která poskytuje počty pravdivě pozitivních výsledků, pravdivě negativních výsledků, falešně pozitivních a falešně negativních výsledků pro dvě třídy dat. (Zděděno od BinaryClassificationMetrics)
Entropy	Získá entropii sady testů, což je předchozí ztráta protokolu na základě poměru pozitivních a negativních instancí v testovací sadě. Klasifikátor nižší LogLoss než entropie označuje, že klasifikátor je lepší než predikce poměru kladných instancí jako pravděpodobnosti pro každou instanci.
F1Score	Získá skóre F1 klasifikátoru, což je míra kvality klasifikátoru vzhledem k přesnosti i úplnosti. (Zděděno od BinaryClassificationMetrics)
LogLoss	Získá log-loss klasifikátoru. Ztráta protokolu měří výkon klasifikátoru s ohledem na to, kolik predikovaných pravděpodobností se liší od popisku skutečné třídy. Nižší ztráta protokolu značí lepší model. Dokonalý model, který předpovídá pravděpodobnost 1 pro skutečnou třídu, bude mít ztrátu protokolu 0.
LogLossReduction	Získá snížení ztráty protokolu (označuje se také jako relativní ztráta protokolu nebo snížení získání informací - RIG) klasifikátoru. Poskytuje míru toho, kolik modelu se zlepšuje na modelu, který poskytuje náhodné předpovědi. Snížení ztráty protokolů blíže k 1 značí lepší model.
NegativePrecision	Získá zápornou přesnost klasifikátoru, což je podíl správně predikovaných záporných instancí mezi všemi negativními predikcemi (tj. počet záporných instancí predikovaných jako negativní, dělený celkovým počtem instancí predikovaných jako negativní). (Zděděno od BinaryClassificationMetrics)
NegativeRecall	Získá negativní úplnost klasifikátoru, který je poměrem správně předpovězených záporných instancí mezi všemi zápornými instancemi (tj. počet záporných instancí predikovaných jako záporný, dělený celkovým počtem záporných instancí). (Zděděno od BinaryClassificationMetrics)
PositivePrecision	Získá kladnou přesnost klasifikátoru, což je podíl správně predikovaných pozitivních instancí mezi všemi pozitivními predikcemi (tj. počet pozitivních instancí predikovaných jako pozitivní, dělený celkovým počtem instancí predikovaných jako pozitivní). (Zděděno od BinaryClassificationMetrics)
PositiveRecall	Získá pozitivní úplnost klasifikátoru, který je poměrem správně předpovězených pozitivních instancí mezi všemi pozitivními instancemi (tj. počet pozitivních instancí predikovaných jako pozitivní, dělený celkovým počtem pozitivních instancí). (Zděděno od BinaryClassificationMetrics)