CalibratedBinaryClassificationMetrics Kelas
Definisi
Penting
Beberapa informasi terkait produk prarilis yang dapat diubah secara signifikan sebelum dirilis. Microsoft tidak memberikan jaminan, tersirat maupun tersurat, sehubungan dengan informasi yang diberikan di sini.
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
Properti
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 yang lebih rendah dari entropi menunjukkan bahwa pengklasifikasi 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 seberapa banyak probabilitas yang diprediksi menyimpang dari label kelas yang sebenarnya. Log-loss yang lebih rendah menunjukkan model yang lebih baik. Model yang sempurna, yang memprediksi probabilitas 1 untuk kelas yang sebenarnya, akan mengalami kehilangan log 0. |
LogLossReduction |
Mendapatkan pengurangan log-loss (juga dikenal sebagai relatif log-loss, 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 negatif, dibagi dengan jumlah total instans yang diprediksi negatif). (Diperoleh dari BinaryClassificationMetrics) |
NegativeRecall |
Mendapatkan pengenalan negatif dari pengklasifikasi yang merupakan proporsi instans negatif yang diprediksi dengan benar di antara semua instans negatif (yaitu, jumlah instans negatif yang diprediksi 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 positif, dibagi dengan jumlah total instans yang diprediksi positif). (Diperoleh dari BinaryClassificationMetrics) |
PositiveRecall |
Mendapatkan pengenalan positif dari pengklasifikasi yang merupakan proporsi instans positif yang diprediksi dengan benar di antara semua instans positif (yaitu, jumlah instans positif yang diprediksi positif, dibagi dengan jumlah total instans positif). (Diperoleh dari BinaryClassificationMetrics) |