CalibratedBinaryClassificationMetrics Klasse

Definition

Namespace:

Microsoft.ML.Data

Assembly:

Microsoft.ML.Data.dll

Paket:

Microsoft.ML v5.0.0-preview.1.25125.4

Quelle:

CalibratedBinaryClassificationMetrics.cs

Auswertungsergebnisse für binäre Klassifizierer, einschließlich probabilistischer Metriken.

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

type CalibratedBinaryClassificationMetrics = class
    inherit BinaryClassificationMetrics

Public NotInheritable Class CalibratedBinaryClassificationMetrics
Inherits BinaryClassificationMetrics

Vererbung

Object

BinaryClassificationMetrics

CalibratedBinaryClassificationMetrics

Eigenschaften

Name	Beschreibung
Accuracy	Ruft die Genauigkeit eines Klassifizierers ab, der den Anteil der richtigen Vorhersagen im Testsatz darstellt. (Geerbt von BinaryClassificationMetrics)
AreaUnderPrecisionRecallCurve	Ruft den Bereich unter der Genauigkeits-/Rückrufkurve des Klassifizierers ab. (Geerbt von BinaryClassificationMetrics)
AreaUnderRocCurve	Ruft den Bereich unter der ROC-Kurve ab. (Geerbt von BinaryClassificationMetrics)
ConfusionMatrix	Die Verwirrungsmatrix , die die Anzahl der wahren Positiven, wahrer Negativer, falsch positiver ergebnisse und falsch negativer Ergebnisse für die beiden Datenklassen gibt. (Geerbt von BinaryClassificationMetrics)
Entropy	Ruft die Testsatzentropie ab, bei der es sich um den vorherigen Protokollverlust basierend auf dem Anteil positiver und negativer Instanzen im Testsatz handelt. Die untere Entropie eines Klassifizierers weist darauf hin, dass ein Klassifizierer LogLoss besser als der Anteil positiver Instanzen als Wahrscheinlichkeit für jede Instanz vorhergesagt wird.
F1Score	Ruft die F1-Bewertung des Klassifizierers ab, bei dem es sich um ein Maß für die Qualität des Klassifizierers handelt, wobei sowohl Genauigkeit als auch Rückruf berücksichtigt wird. (Geerbt von BinaryClassificationMetrics)
LogLoss	Ruft den Protokollverlust des Klassifizierers ab. Log-Loss misst die Leistung eines Klassifizierers im Hinblick darauf, wie viel die vorhergesagten Wahrscheinlichkeiten vom tatsächlichen Klassenbeschriftung abweichen. Geringerer Protokollverlust weist auf ein besseres Modell hin. Ein perfektes Modell, das eine Wahrscheinlichkeit von 1 für die wahre Klasse vorhersagt, hat einen Protokollverlust von 0.
LogLossReduction	Ruft die Reduzierung des Protokollverlusts (auch als relativer Protokollverlust oder Verringerung des Informationsgewinns – RIG bezeichnet) des Klassifizierers ab. Es gibt ein Maß dafür, wie viel ein Modell auf einem Modell verbessert, das zufällige Vorhersagen liefert. Die Reduzierung von Protokollverlusten näher an 1 zeigt ein besseres Modell an.
NegativePrecision	Ruft die negative Genauigkeit eines Klassifizierers ab, bei dem es sich um den Anteil korrekt vorhergesagter negativer Instanzen bei allen negativen Vorhersagen handelt (d. h. die Anzahl negativer Instanzen, die als negativ vorhergesagt wurden, dividiert durch die Gesamtzahl der instanzen, die als negativ vorhergesagt wurden). (Geerbt von BinaryClassificationMetrics)
NegativeRecall	Ruft den negativen Rückruf eines Klassifizierers ab, der den Anteil korrekt vorhergesagter negativer Instanzen zwischen allen negativen Instanzen darstellt (d. h. die Anzahl negativer Instanzen, die als negativ vorhergesagt wurden, dividiert durch die Gesamtanzahl negativer Instanzen). (Geerbt von BinaryClassificationMetrics)
PositivePrecision	Ruft die positive Genauigkeit eines Klassifizierers ab, bei dem es sich um den Anteil korrekt vorhergesagter positiver Instanzen bei allen positiven Vorhersagen handelt (d. h. die Anzahl positiver Instanzen, die als positiv vorhergesagt wurden, dividiert durch die Gesamtzahl der als positiv vorhergesagten Instanzen). (Geerbt von BinaryClassificationMetrics)
PositiveRecall	Ruft den positiven Rückruf eines Klassifizierers ab, der den Anteil der korrekt vorhergesagten positiven Instanzen zwischen allen positiven Instanzen darstellt (d. h. die Anzahl der positiven Instanzen, die als positiv vorhergesagt wurden, dividiert durch die Gesamtzahl der positiven Instanzen). (Geerbt von BinaryClassificationMetrics)