CalibratedBinaryClassificationMetrics Класс

Определение

Пространство имен:

Microsoft.ML.Data

Сборка:

Microsoft.ML.Data.dll

Пакет:

Microsoft.ML v5.0.0-preview.1.25125.4

Исходный код:

CalibratedBinaryClassificationMetrics.cs

Результаты оценки для двоичных классификаторов, включая вероятностные метрики.

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

type CalibratedBinaryClassificationMetrics = class
    inherit BinaryClassificationMetrics

Public NotInheritable Class CalibratedBinaryClassificationMetrics
Inherits BinaryClassificationMetrics

Наследование

Object

BinaryClassificationMetrics

CalibratedBinaryClassificationMetrics

Свойства

Имя	Описание
Accuracy	Получает точность классификатора, который является пропорцией правильных прогнозов в тестовом наборе. (Унаследовано от BinaryClassificationMetrics)
AreaUnderPrecisionRecallCurve	Возвращает область под кривой точности и отзыва классификатора. (Унаследовано от BinaryClassificationMetrics)
AreaUnderRocCurve	Возвращает область под кривой ROC. (Унаследовано от BinaryClassificationMetrics)
ConfusionMatrix	Матрица путаницы , дающая счетчики истинных положительных, истинных отрицательных, ложных срабатываний и ложных отрицательных значений для двух классов данных. (Унаследовано от BinaryClassificationMetrics)
Entropy	Возвращает энтропию набора тестов, которая является предыдущей потерей журнала на основе доли положительных и отрицательных экземпляров в тестовом наборе. Классификатор ниже энтропии указывает, что классификатор LogLoss делает лучше, чем прогнозирование доли положительных экземпляров в качестве вероятности для каждого экземпляра.
F1Score	Получает оценку F1 классификатора, которая является мерой качества классификатора, учитывая точность и отзыв. (Унаследовано от BinaryClassificationMetrics)
LogLoss	Возвращает потерю журнала классификатора. Потеря журнала измеряет производительность классификатора относительно того, сколько прогнозируемых вероятностей размыкается от истинной метки класса. Более низкая потеря журнала указывает на лучшую модель. Идеальная модель, которая прогнозирует вероятность 1 для истинного класса, будет иметь потерю журнала 0.
LogLossReduction	Возвращает уменьшение потери журнала (также известное как относительная потеря журнала или уменьшение получения информации — RIG) классификатора. Он дает меру того, сколько модель улучшает модель, которая дает случайные прогнозы. Уменьшение потери журналов ближе к 1 указывает на лучшую модель.
NegativePrecision	Получает отрицательную точность классификатора, который является пропорцией правильно прогнозируемых отрицательных экземпляров среди всех отрицательных прогнозов (т. е. число отрицательных экземпляров, прогнозируемых как отрицательные, разделенное на общее число экземпляров, прогнозируемых как отрицательные). (Унаследовано от BinaryClassificationMetrics)
NegativeRecall	Получает отрицательный отзыв классификатора, который является пропорцией правильно прогнозируемых отрицательных экземпляров среди всех отрицательных экземпляров (т. е. число отрицательных экземпляров, прогнозируемых как отрицательные, разделенное на общее число отрицательных экземпляров). (Унаследовано от BinaryClassificationMetrics)
PositivePrecision	Получает положительную точность классификатора, которая является пропорцией правильно прогнозируемых положительных экземпляров среди всех положительных прогнозов (т. е. число положительных экземпляров, прогнозируемых как положительные, разделенное на общее число экземпляров, прогнозируемых как положительные). (Унаследовано от BinaryClassificationMetrics)
PositiveRecall	Получает положительный отзыв классификатора, который является пропорцией правильно прогнозируемых положительных экземпляров среди всех положительных экземпляров (т. е. число положительных экземпляров, прогнозируемых как положительные, разделенное на общее число положительных экземпляров). (Унаследовано от BinaryClassificationMetrics)