CalibratedBinaryClassificationMetrics Clase

Definición

Espacio de nombres:

Microsoft.ML.Data

Ensamblado:

Microsoft.ML.Data.dll

Paquete:

Microsoft.ML v2.0.0

Resultados de evaluación para clasificadores binarios, incluidas las métricas probabilísticas.

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

type CalibratedBinaryClassificationMetrics = class
    inherit BinaryClassificationMetrics

Public NotInheritable Class CalibratedBinaryClassificationMetrics
Inherits BinaryClassificationMetrics

Herencia

Object

BinaryClassificationMetrics

CalibratedBinaryClassificationMetrics

Propiedades

Accuracy	Obtiene la precisión de un clasificador que es la proporción de predicciones correctas en el conjunto de pruebas. (Heredado de BinaryClassificationMetrics)
AreaUnderPrecisionRecallCurve	Obtiene el área bajo la curva de precisión y recuperación del clasificador. (Heredado de BinaryClassificationMetrics)
AreaUnderRocCurve	Obtiene el área debajo de la curva ROC. (Heredado de BinaryClassificationMetrics)
ConfusionMatrix	Matriz de confusión que proporciona los recuentos de los verdaderos positivos, verdaderos negativos, falsos positivos y falsos negativos para las dos clases de datos. (Heredado de BinaryClassificationMetrics)
Entropy	Obtiene la entropía del conjunto de pruebas, que es la pérdida de registro anterior en función de la proporción de instancias positivas y negativas del conjunto de pruebas. Un clasificador LogLoss inferior a la entropía indica que un clasificador hace mejor que predecir la proporción de instancias positivas como probabilidad para cada instancia.
F1Score	Obtiene la puntuación F1 del clasificador, que es una medida de la calidad del clasificador teniendo en cuenta tanto la precisión como la recuperación. (Heredado de BinaryClassificationMetrics)
LogLoss	Obtiene la pérdida de registro del clasificador. La pérdida de registros mide el rendimiento de un clasificador con respecto a la cantidad de probabilidades predichas diverge de la etiqueta de clase verdadera. La pérdida de registro inferior indica un mejor modelo. Un modelo perfecto, que predice una probabilidad de 1 para la clase verdadera, tendrá una pérdida de registro de 0.
LogLossReduction	Obtiene la reducción de pérdida de registro (también conocida como pérdida de registro relativa o reducción en la ganancia de información - RIG) del clasificador. Proporciona una medida de cuánto mejora un modelo en un modelo que proporciona predicciones aleatorias. La reducción de pérdida de registros más cercana a 1 indica un mejor modelo.
NegativePrecision	Obtiene la precisión negativa de un clasificador que es la proporción de instancias negativas predichas correctamente entre todas las predicciones negativas (es decir, el número de instancias negativas previstas como negativas, divididas por el número total de instancias predichas como negativas). (Heredado de BinaryClassificationMetrics)
NegativeRecall	Obtiene la recuperación negativa de un clasificador que es la proporción de instancias negativas predichas correctamente entre todas las instancias negativas (es decir, el número de instancias negativas previstas como negativas, divididas por el número total de instancias negativas). (Heredado de BinaryClassificationMetrics)
PositivePrecision	Obtiene la precisión positiva de un clasificador que es la proporción de instancias positivas predichas correctamente entre todas las predicciones positivas (es decir, el número de instancias positivas previstas como positivas, divididas por el número total de instancias predichas como positivas). (Heredado de BinaryClassificationMetrics)
PositiveRecall	Obtiene la recuperación positiva de un clasificador que es la proporción de instancias positivas predichas correctamente entre todas las instancias positivas (es decir, el número de instancias positivas previstas como positivas, divididas por el número total de instancias positivas). (Heredado de BinaryClassificationMetrics)