Поделиться через


CalibratedBinaryClassificationMetrics Класс

Определение

Результаты оценки 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
CalibratedBinaryClassificationMetrics

Свойства

Accuracy

Возвращает точность классификатора, который является пропорцией правильных прогнозов в тестовом наборе.

(Унаследовано от BinaryClassificationMetrics)
AreaUnderPrecisionRecallCurve

Возвращает область под кривой точности и полноты 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 LogLoss ниже энтропии указывает, что классификатор делает лучше, чем прогнозирование доли положительных экземпляров в качестве вероятности для каждого экземпляра.

F1Score

Возвращает оценку F1 классификатора, которая является мерой качества классификатора, учитывая точность и полноту.

(Унаследовано от BinaryClassificationMetrics)
LogLoss

Возвращает потерю журнала классификатора. Потеря журнала измеряет производительность классификатора относительно того, насколько прогнозируемые вероятности расходятся 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 снижение потери журнала (также известное как относительная потеря журнала или уменьшение получения информации — RIG) классификатора. Она дает оценку того, сколько модель улучшает модель, которая дает случайные прогнозы. Уменьшение потери журнала ближе к 1 указывает на лучшую модель.

NegativePrecision

Возвращает 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

Возвращает 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

Возвращает положительную точность классификатора, который 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

Возвращает положительный отзыв классификатора, который является пропорцией правильно прогнозируемых положительных экземпляров среди всех положительных экземпляров (т. е. число положительных экземпляров, прогнозируемых как положительных, разделенных на общее число положительных экземпляров).

(Унаследовано от BinaryClassificationMetrics)

Применяется к