MulticlassClassificationMetrics Klasa

Definicja

Przestrzeń nazw:: Microsoft.ML.Data

Zestaw:: Microsoft.ML.Data.dll

Pakiet:: Microsoft.ML v4.0.1

Pakiet:: Microsoft.ML v1.0.0

Pakiet:: Microsoft.ML v1.1.0

Pakiet:: Microsoft.ML v1.2.0

Pakiet:: Microsoft.ML v1.3.1

Pakiet:: Microsoft.ML v1.4.0

Pakiet:: Microsoft.ML v1.5.5

Pakiet:: Microsoft.ML v1.6.0

Pakiet:: Microsoft.ML v1.7.0

Pakiet:: Microsoft.ML v2.0.1

Pakiet:: Microsoft.ML v3.0.1

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

Źródło:: MulticlassClassificationMetrics.cs

Źródło:: MulticlassClassificationMetrics.cs

Źródło:: MulticlassClassificationMetrics.cs

Ważne

Niektóre informacje odnoszą się do produktu w wersji wstępnej, który może zostać znacząco zmodyfikowany przed wydaniem. Firma Microsoft nie udziela żadnych gwarancji, jawnych lub domniemanych, w odniesieniu do informacji podanych w tym miejscu.

Wyniki oceny dla wieloklasowych trenerów klasyfikacji.

public sealed class MulticlassClassificationMetrics

type MulticlassClassificationMetrics = class

Public NotInheritable Class MulticlassClassificationMetrics

Dziedziczenie: Object
MulticlassClassificationMetrics

Właściwości

Nazwa	Opis
ConfusionMatrix	Macierz pomyłek dająca liczbę przewidywanych klas w porównaniu z rzeczywistymi klasami.
LogLoss	Pobiera średnią utratę dziennika klasyfikatora. Utrata dzienników mierzy wydajność klasyfikatora w odniesieniu do tego, ile przewidywanych prawdopodobieństwa różnią się od prawdziwej etykiety klasy. Niższa utrata dzienników wskazuje lepszy model. Idealny model, który przewiduje prawdopodobieństwo 1 dla prawdziwej klasy, będzie miał wartość 0.
LogLossReduction	Pobiera redukcję strat dzienników (znaną również jako względna utrata dziennika lub zmniejszenie przyrostu informacji — RIG) klasyfikatora. Daje ona miarę tego, jak bardzo model poprawia się w modelu, który daje losowe przewidywania. Redukcja utraty dzienników bliżej 1 wskazuje lepszy model.
MacroAccuracy	Pobiera średnią dokładność makr modelu.
MicroAccuracy	Pobiera mikrośrednią dokładność modelu.
PerClassLogLoss	Pobiera utratę dziennika klasyfikatora dla każdej klasy. Utrata dzienników mierzy wydajność klasyfikatora w odniesieniu do tego, ile przewidywanych prawdopodobieństwa różnią się od prawdziwej etykiety klasy. Niższa utrata dzienników wskazuje lepszy model. Idealny model, który przewiduje prawdopodobieństwo 1 dla prawdziwej klasy, będzie miał wartość 0.
TopKAccuracy	Wygoda metody "TopKAccuracyForAllK[TopKPredictionCount - 1]". Jeśli TopKPredictionCount jest dodatni, jest to względna liczba przykładów, w których prawdziwa etykieta jest jedną z najlepszych etykiet przewidywanych przez predyktor K.
TopKAccuracyForAllK	Zwraca najwyższą dokładność K dla wszystkich K z zakresu od 1 do wartości TopKPredictionCount.
TopKPredictionCount	Jeśli jest to dodatnie, oznacza to K in TopKAccuracy i TopKAccuracyForAllK.

Dotyczy