CalibratedBinaryClassificationMetrics Třída

Definice

Obor názvů:

Microsoft.ML.Data

Sestavení:

Microsoft.ML.Data.dll

Balíček:

Microsoft.ML v5.0.0-preview.1.25125.4

Zdroj:

CalibratedBinaryClassificationMetrics.cs

Výsledky vyhodnocení binárních klasifikátorů, 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

Name	Description
Accuracy	Získá přesnost klasifikátoru, což je poměr správných předpovědí v testovací sadě. (Zděděno od BinaryClassificationMetrics)
AreaUnderPrecisionRecallCurve	Získá oblast pod křivkou 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 kladných a negativních instancí v testovací sadě. Klasifikátor je LogLoss nižší než entropie označuje, že klasifikátor funguje lépe než predikce podílu kladných instancí jako pravděpodobnost pro každou instanci.
F1Score	Získá skóre F1 klasifikátoru, což je míra kvality klasifikátoru vzhledem k přesnosti i úplnosti. (Zděděno od BinaryClassificationMetrics)
LogLoss	Získá ztrátu protokolu 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 predikuje pravděpodobnost 1 pro třídu true, 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 v modelu zlepšuje, který poskytuje náhodné předpovědi. Snížení ztráty protokolů blíže k 1 značí lepší model.
NegativePrecision	Získá zápornou přesnost klasifikátoru, což je poměr správně predikovaných záporných instancí mezi všemi negativními predikcemi (tj. počet záporných instancí predikovaných jako záporný, dělený celkovým počtem instancí předpovídajících jako negativní). (Zděděno od BinaryClassificationMetrics)
NegativeRecall	Získá negativní úplnost klasifikátoru, což je poměr správně predikovaných 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 kladných instancí mezi všemi pozitivními predikcemi (tj. počet kladných instancí predikovaných jako pozitivní, dělený celkovým počtem instancí predikovaných jako pozitivní). (Zděděno od BinaryClassificationMetrics)
PositiveRecall	Získá pozitivní úplnost klasifikátoru, což je poměr správně predikovaných kladných instancí mezi všemi kladnými instancemi (tj. počet kladných instancí predikovaných jako pozitivní, dělený celkovým počtem kladných instancí). (Zděděno od BinaryClassificationMetrics)