CalibratedBinaryClassificationMetrics Klasse

Definition

Namespace:

Microsoft.ML.Data

Assembly:

Microsoft.ML.Data.dll

Paket:

Microsoft.ML v2.0.0

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

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 gibt die Anzahl der wahr positiven, wahr negativen, falsch positiven und falsch negativen Für die beiden Datenklassen. (Geerbt von BinaryClassificationMetrics)
Entropy	Ruft die Testsatz-Entropie ab, die den vorherigen Protokollverlust basierend auf dem Anteil positiver und negativer Instanzen im Testsatz darstellt. Eine Klassifizierer niedriger als die Entropie gibt an, dass ein Klassifizierer LogLoss den Anteil positiver Instanzen besser als die Wahrscheinlichkeit für jede Instanz vorhersagt.
F1Score	Ruft die F1-Bewertung des Klassifizierers ab, was eine Messung der Qualität des Klassifizierers ist, die sowohl Genauigkeit als auch Rückruf berücksichtigt. (Geerbt von BinaryClassificationMetrics)
LogLoss	Ruft den Protokollverlust des Klassifizierers ab. Protokollverlust misst die Leistung eines Klassifizierers im Hinblick darauf, wie viel die vorhergesagten Wahrscheinlichkeiten von der true-Klassenbeschriftung abweichen. Niedrigerer Protokollverlust gibt ein besseres Modell an. Ein perfektes Modell, das eine Wahrscheinlichkeit von 1 für die wahre Klasse vorausgibt, hat einen Protokollverlust von 0.
LogLossReduction	Ruft die Log-Loss-Reduktion (auch als relativer Protokollverlust bezeichnet oder die Reduzierung der Informationsgewinne - RIG) des Klassifizierers ab. Es gibt ein Maß dafür, wie viel ein Modell auf einem Modell verbessert, das Zufallsvorhersagen bietet. Die Reduzierung von Protokollverlusten näher an 1 gibt ein besseres Modell an.
NegativePrecision	Ruft die negative Genauigkeit eines Klassifizierers ab, der den Anteil der korrekt vorhergesagten negativen Instanzen zwischen allen negativen Vorhersagen (d. h. die Anzahl negativer Instanzen, die als negativ vorausgesagt wurden, geteilt durch die Gesamtzahl der als negativ vorhergesagten Instanzen). (Geerbt von BinaryClassificationMetrics)
NegativeRecall	Ruft den negativen Rückruf eines Klassifizierers ab, der den Anteil der korrekt vorhergesagten negativen Instanzen zwischen allen negativen Instanzen (d. h. die Anzahl der negativen Instanzen, die als negativ vorausgesagt wurden, geteilt durch die Gesamtzahl der negativen Instanzen). (Geerbt von BinaryClassificationMetrics)
PositivePrecision	Ruft die positive Genauigkeit eines Klassifizierers ab, der den Anteil der korrekt vorhergesagten positiven Instanzen zwischen allen positiven Vorhersagen (d. h. die Anzahl der positiven Instanzen, die als positiv vorausgesagt wurden, geteilt 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 (d. h. die Anzahl der positiven Instanzen, die als positiv vorausgesagt wurden, geteilt durch die Gesamtzahl der positiven Instanzen). (Geerbt von BinaryClassificationMetrics)