CalibratedBinaryClassificationMetrics 类

定义

命名空间:

Microsoft.ML.Data

程序集:

Microsoft.ML.Data.dll

包:

Microsoft.ML v2.0.0

二进制分类器的评估结果，包括概率指标。

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

type CalibratedBinaryClassificationMetrics = class
    inherit BinaryClassificationMetrics

Public NotInheritable Class CalibratedBinaryClassificationMetrics
Inherits BinaryClassificationMetrics

继承

Object

BinaryClassificationMetrics

CalibratedBinaryClassificationMetrics

属性

Accuracy	获取分类器的准确性，该分类器是测试集中正确预测的比例。 (继承自 BinaryClassificationMetrics)
AreaUnderPrecisionRecallCurve	获取分类器精度/召回曲线下的区域。 (继承自 BinaryClassificationMetrics)
AreaUnderRocCurve	获取 ROC 曲线下的区域。 (继承自 BinaryClassificationMetrics)
ConfusionMatrix	混淆矩阵提供两类数据的真实正数、真负数、误报和误报数。 (继承自 BinaryClassificationMetrics)
Entropy	获取测试集 entropy，这是基于测试集中正实例和负实例比例的先前对数损失。 分类器小于幂等值表示分类器 LogLoss 比预测正实例的比例更好，因为每个实例的概率。
F1Score	获取分类器的 F1 分数，这是分类器质量（考虑精度和召回率）的度量值。 (继承自 BinaryClassificationMetrics)
LogLoss	获取分类器的日志丢失。 日志损失度量分类器相对于真实类标签的预测概率差异程度的性能。 较低的日志损失表示更好的模型。 一个完美的模型，预测真实类的概率为 1，将具有 0 的对数损失。
LogLossReduction	获取日志损失减少 (也称为相对对数损失，或信息增益的减少 - RIG) 分类器。 它度量模型在提供随机预测的模型中的改进程度。 接近 1 的日志损失减少表示更好的模型。
NegativePrecision	获取分类器的负精度，该分类器是所有负预测 (中正确预测负实例的比例，即预测为负的负实例数，除以预测为负) 的实例总数。 (继承自 BinaryClassificationMetrics)
NegativeRecall	获取分类器的负召回率，该分类器是所有负实例之间正确预测的负实例的比例 (，即预测为负实例的负实例数，除以负实例总数) 。 (继承自 BinaryClassificationMetrics)
PositivePrecision	获取分类器的正精度，该分类器是所有正预测 (中正确预测的正实例的比例，即预测为正的实例数，除以预测为正) 的实例总数。 (继承自 BinaryClassificationMetrics)
PositiveRecall	获取分类器的正召回率，该分类器是所有正实例中正确预测的正实例的比例 (，即预测为正实例的正实例数，除以正实例总数) 。 (继承自 BinaryClassificationMetrics)