RankingMetrics Klasse

Definition

Namespace:: Microsoft.ML.Data

Assembly:: Microsoft.ML.Data.dll

Paket:: Microsoft.ML v4.0.1

Paket:: Microsoft.ML v1.0.0

Paket:: Microsoft.ML v1.1.0

Paket:: Microsoft.ML v1.2.0

Paket:: Microsoft.ML v1.3.1

Paket:: Microsoft.ML v1.4.0

Paket:: Microsoft.ML v1.5.5

Paket:: Microsoft.ML v1.6.0

Paket:: Microsoft.ML v1.7.0

Paket:: Microsoft.ML v2.0.1

Paket:: Microsoft.ML v3.0.1

Paket:: Microsoft.ML v5.0.0-preview.1.25125.4

Quelle:: RankingMetrics.cs

Quelle:: RankingMetrics.cs

Quelle:: RankingMetrics.cs

Wichtig

Einige Informationen beziehen sich auf Vorabversionen, die vor dem Release ggf. grundlegend überarbeitet werden. Microsoft übernimmt hinsichtlich der hier bereitgestellten Informationen keine Gewährleistungen, seien sie ausdrücklich oder konkludent.

Auswertungsergebnisse für Rangfolger.

public sealed class RankingMetrics

type RankingMetrics = class

Public NotInheritable Class RankingMetrics

Vererbung: Object
RankingMetrics

Eigenschaften

Name	Beschreibung
DiscountedCumulativeGains	Liste der reduzierten kumulierten Gewinne (DCG), wobei das N-th-Element DCG@N darstellt. Discounted Cumulative Gain ist die Summe der Relevanzgewinne bis zur N-th-Position für alle Instanzen i, normalisiert durch den natürlichen Logarithmus der Instanz + 1. DCG ist eine zunehmende Metrik mit einem höheren Wert, der ein besseres Modell angibt. Beachten Sie, dass ML.NET im Gegensatz zum Wikipedia-Artikel den natürlichen Logarithmus verwendet. $DCG@N = \sum_{i = 1}^N \frac{g_i}{ln(i + 1)}$, wobei $g_i$ der Relevanzgewinn an der i-th-Position ist.
NormalizedDiscountedCumulativeGains	Liste der normalisierten reduzierten kumulierten Gewinne (NDCG), wobei das N-th-Element NDCG@N darstellt. Such-Resuls variieren je nach Abfrage unterschiedlich, sodass unterschiedliche Rangfolger nicht konsistent mit DCG verglichen werden können, es sei denn, die DCG ist normalisiert. Dies erfolgt durch Die Berechnung der maximalen DCG (auch als Ideal DCG bezeichnet), bei der es sich um die DCG für die ideale Sortierung der Suchergebnisse handelt, die nach ihrer relativen Relevanz sortiert sind. $NDCG@N = \frac{DCG@N}{MaxDCG@N}$

Name

Beschreibung

DiscountedCumulativeGains

Liste der reduzierten kumulierten Gewinne (DCG), wobei das N-th-Element DCG@N darstellt. Discounted Cumulative Gain ist die Summe der Relevanzgewinne bis zur N-th-Position für alle Instanzen i, normalisiert durch den natürlichen Logarithmus der Instanz + 1. DCG ist eine zunehmende Metrik mit einem höheren Wert, der ein besseres Modell angibt. Beachten Sie, dass ML.NET im Gegensatz zum Wikipedia-Artikel den natürlichen Logarithmus verwendet.

$DCG@N = \sum_{i = 1}^N \frac{g_i}{ln(i + 1)}$, wobei $g_i$ der Relevanzgewinn an der i-th-Position ist.

NormalizedDiscountedCumulativeGains

Liste der normalisierten reduzierten kumulierten Gewinne (NDCG), wobei das N-th-Element NDCG@N darstellt. Such-Resuls variieren je nach Abfrage unterschiedlich, sodass unterschiedliche Rangfolger nicht konsistent mit DCG verglichen werden können, es sei denn, die DCG ist normalisiert. Dies erfolgt durch Die Berechnung der maximalen DCG (auch als Ideal DCG bezeichnet), bei der es sich um die DCG für die ideale Sortierung der Suchergebnisse handelt, die nach ihrer relativen Relevanz sortiert sind.

$NDCG@N = \frac{DCG@N}{MaxDCG@N}$

Gilt für: