CalibratedBinaryClassificationMetrics Classe

Définition

Espace de noms:

Microsoft.ML.Data

Assembly:

Microsoft.ML.Data.dll

Paquet:

Microsoft.ML v2.0.0

Résultats d’évaluation pour les classifieurs binaires, y compris les métriques probabilistes.

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

type CalibratedBinaryClassificationMetrics = class
    inherit BinaryClassificationMetrics

Public NotInheritable Class CalibratedBinaryClassificationMetrics
Inherits BinaryClassificationMetrics

Héritage

Object

BinaryClassificationMetrics

CalibratedBinaryClassificationMetrics

Propriétés

Accuracy	Obtient la précision d’un classifieur qui correspond à la proportion de prédictions correctes dans le jeu de tests. (Hérité de BinaryClassificationMetrics)
AreaUnderPrecisionRecallCurve	Obtient la zone sous la courbe de précision/rappel du classifieur. (Hérité de BinaryClassificationMetrics)
AreaUnderRocCurve	Obtient la zone sous la courbe ROC. (Hérité de BinaryClassificationMetrics)
ConfusionMatrix	Matrice de confusion donnant le nombre des vrais positifs, vrais négatifs, faux positifs et faux négatifs pour les deux classes de données. (Hérité de BinaryClassificationMetrics)
Entropy	Obtient l’entropie de jeu de tests, qui est la perte de journal antérieure en fonction de la proportion d’instances positives et négatives dans le jeu de tests. Un classifieur inférieur à l’entropie indique qu’un LogLoss classifieur fait mieux que de prédire la proportion d’instances positives comme probabilité pour chaque instance.
F1Score	Obtient le score F1 du classifieur, qui est une mesure de la qualité du classifieur en tenant compte à la fois de la précision et du rappel. (Hérité de BinaryClassificationMetrics)
LogLoss	Obtient la perte de journal du classifieur. La perte de journal mesure les performances d’un classifieur en ce qui concerne la quantité de probabilités prédites divergent de l’étiquette de classe true. Une perte de journal inférieure indique un meilleur modèle. Un modèle parfait, qui prédit une probabilité de 1 pour la vraie classe, aura une perte de journal de 0.
LogLossReduction	Obtient la réduction de la perte de journal (également appelée perte de journal relative, ou réduction du gain d’informations - RIG) du classifieur. Il donne une mesure de la quantité d’amélioration d’un modèle sur un modèle qui donne des prédictions aléatoires. La réduction de la perte de journal plus proche de 1 indique un meilleur modèle.
NegativePrecision	Obtient la précision négative d’un classifieur qui est la proportion d’instances négatives correctement prédites parmi toutes les prédictions négatives (c’est-à-dire le nombre d’instances négatives prédites comme négatives, divisée par le nombre total d’instances prédites comme négatives). (Hérité de BinaryClassificationMetrics)
NegativeRecall	Obtient le rappel négatif d’un classifieur qui est la proportion d’instances négatives correctement prédites parmi toutes les instances négatives (c’est-à-dire le nombre d’instances négatives prédites comme négatives, divisée par le nombre total d’instances négatives). (Hérité de BinaryClassificationMetrics)
PositivePrecision	Obtient la précision positive d’un classifieur qui est la proportion d’instances positives correctement prédites parmi toutes les prédictions positives (c’est-à-dire le nombre d’instances positives prédites comme positives, divisée par le nombre total d’instances prédites comme positives). (Hérité de BinaryClassificationMetrics)
PositiveRecall	Obtient le rappel positif d’un classifieur qui correspond à la proportion d’instances positives correctement prédites parmi toutes les instances positives (c’est-à-dire le nombre d’instances positives prédites comme positives, divisée par le nombre total d’instances positives). (Hérité de BinaryClassificationMetrics)