Compartilhar via


CalibratedBinaryClassificationMetrics Classe

Definição

Resultados de avaliação para classificadores binários, incluindo métricas probabilísticas.

public sealed class CalibratedBinaryClassificationMetrics : Microsoft.ML.Data.BinaryClassificationMetrics
type CalibratedBinaryClassificationMetrics = class
    inherit BinaryClassificationMetrics
Public NotInheritable Class CalibratedBinaryClassificationMetrics
Inherits BinaryClassificationMetrics
Herança
CalibratedBinaryClassificationMetrics

Propriedades

Accuracy

Obtém a precisão de um classificador que é a proporção de previsões corretas no conjunto de testes.

(Herdado de BinaryClassificationMetrics)
AreaUnderPrecisionRecallCurve

Obtém a área sob a curva de precisão/recall do classificador.

(Herdado de BinaryClassificationMetrics)
AreaUnderRocCurve

Obtém a área sob a curva ROC.

(Herdado de BinaryClassificationMetrics)
ConfusionMatrix

A matriz de confusão que fornece as contagens dos verdadeiros positivos, verdadeiros negativos, falsos positivos e falsos negativos para as duas classes de dados.

(Herdado de BinaryClassificationMetrics)
Entropy

Obtém a entropia definida pelo teste, que é a perda de log anterior com base na proporção de instâncias positivas e negativas no conjunto de testes. Um classificador é LogLoss menor que a entropia indica que um classificador faz melhor do que prever a proporção de instâncias positivas como a probabilidade para cada instância.

F1Score

Obtém a pontuação F1 do classificador, que é uma medida da qualidade do classificador considerando a precisão e o recall.

(Herdado de BinaryClassificationMetrics)
LogLoss

Obtém a perda de log do classificador. A perda de log mede o desempenho de um classificador em relação ao quanto as probabilidades previstas divergem do rótulo de classe true. A perda de log mais baixa indica um modelo melhor. Um modelo perfeito, que prevê uma probabilidade de 1 para a classe verdadeira, terá uma perda de log de 0.

LogLossReduction

Obtém a redução de perda de log (também conhecida como perda relativa de log ou redução no ganho de informações – RIG) do classificador. Ele fornece uma medida de quanto um modelo melhora em um modelo que fornece previsões aleatórias. A redução de perda de log mais próxima de 1 indica um modelo melhor.

NegativePrecision

Obtém a precisão negativa de um classificador que é a proporção de instâncias negativas previstas corretamente entre todas as previsões negativas (ou seja, o número de instâncias negativas previstas como negativas, dividido pelo número total de instâncias previstas como negativas).

(Herdado de BinaryClassificationMetrics)
NegativeRecall

Obtém o recall negativo de um classificador que é a proporção de instâncias negativas previstas corretamente entre todas as instâncias negativas (ou seja, o número de instâncias negativas previstas como negativas, dividido pelo número total de instâncias negativas).

(Herdado de BinaryClassificationMetrics)
PositivePrecision

Obtém a precisão positiva de um classificador que é a proporção de instâncias positivas previstas corretamente entre todas as previsões positivas (ou seja, o número de instâncias positivas previstas como positivas, dividido pelo número total de instâncias previstas como positivas).

(Herdado de BinaryClassificationMetrics)
PositiveRecall

Obtém o recall positivo de um classificador que é a proporção de instâncias positivas previstas corretamente entre todas as instâncias positivas (ou seja, o número de instâncias positivas previstas como positivas, dividido pelo número total de instâncias positivas).

(Herdado de BinaryClassificationMetrics)

Aplica-se a