CalibratedBinaryClassificationMetrics Kelas

Definisi

Ruang nama:

Microsoft.ML.Data

Rakitan:

Microsoft.ML.Data.dll

Paket:

Microsoft.ML v5.0.0-preview.1.25125.4

Sumber:

CalibratedBinaryClassificationMetrics.cs

Hasil evaluasi untuk pengklasifikasi biner, termasuk metrik probabilistik.

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

type CalibratedBinaryClassificationMetrics = class
    inherit BinaryClassificationMetrics

Public NotInheritable Class CalibratedBinaryClassificationMetrics
Inherits BinaryClassificationMetrics

Warisan

Object

BinaryClassificationMetrics

CalibratedBinaryClassificationMetrics

Properti

Nama	Deskripsi
Accuracy	Mendapatkan akurasi pengklasifikasi yang merupakan proporsi prediksi yang benar dalam set pengujian. (Diperoleh dari BinaryClassificationMetrics)
AreaUnderPrecisionRecallCurve	Mendapatkan area di bawah kurva presisi/pengenalan pengklasifikasi. (Diperoleh dari BinaryClassificationMetrics)
AreaUnderRocCurve	Mendapatkan area di bawah kurva ROC. (Diperoleh dari BinaryClassificationMetrics)
ConfusionMatrix	Matriks kebingungan memberikan hitungan positif sejati, negatif benar, positif palsu, dan negatif palsu untuk dua kelas data. (Diperoleh dari BinaryClassificationMetrics)
Entropy	Mendapatkan entropi set pengujian, yang merupakan log-loss sebelumnya berdasarkan proporsi instans positif dan negatif dalam set pengujian. Pengklasifikasi LogLoss lebih rendah dari entropi menunjukkan bahwa pengklasifikasi melakukan lebih baik daripada memprediksi proporsi instans positif sebagai probabilitas untuk setiap instans.
F1Score	Mendapatkan skor F1 pengklasifikasi, yang merupakan ukuran kualitas pengklasifikasi mengingat presisi dan pengenalan. (Diperoleh dari BinaryClassificationMetrics)
LogLoss	Mendapatkan log-loss pengklasifikasi. Log-loss mengukur performa pengklasifikasi sehubungan dengan berapa banyak probabilitas yang diprediksi berbeda dari label kelas yang sebenarnya. Kehilangan log yang lebih rendah menunjukkan model yang lebih baik. Model sempurna, yang memprediksi probabilitas 1 untuk kelas yang sebenarnya, akan mengalami kehilangan log 0.
LogLossReduction	Mendapatkan pengurangan kehilangan log (juga dikenal sebagai kehilangan log relatif, atau pengurangan perolehan informasi - RIG) pengklasifikasi. Ini memberikan ukuran berapa banyak model yang meningkat pada model yang memberikan prediksi acak. Pengurangan log-loss lebih dekat ke 1 menunjukkan model yang lebih baik.
NegativePrecision	Mendapatkan presisi negatif pengklasifikasi yang merupakan proporsi instans negatif yang diprediksi dengan benar di antara semua prediksi negatif (yaitu, jumlah instans negatif yang diprediksi sebagai negatif, dibagi dengan jumlah total instans yang diprediksi negatif). (Diperoleh dari BinaryClassificationMetrics)
NegativeRecall	Mendapatkan pengenalan negatif pengklasifikasi yang merupakan proporsi instans negatif yang diprediksi dengan benar di antara semua instans negatif (yaitu, jumlah instans negatif yang diprediksi sebagai negatif, dibagi dengan jumlah total instans negatif). (Diperoleh dari BinaryClassificationMetrics)
PositivePrecision	Mendapatkan presisi positif pengklasifikasi yang merupakan proporsi instans positif yang diprediksi dengan benar di antara semua prediksi positif (yaitu, jumlah instans positif yang diprediksi sebagai positif, dibagi dengan jumlah total instans yang diprediksi positif). (Diperoleh dari BinaryClassificationMetrics)
PositiveRecall	Mendapatkan pengenalan positif pengklasifikasi yang merupakan proporsi instans positif yang diprediksi dengan benar di antara semua instans positif (yaitu, jumlah instans positif yang diprediksi sebagai positif, dibagi dengan jumlah total instans positif). (Diperoleh dari BinaryClassificationMetrics)