CalibratedBinaryClassificationMetrics 類別
定義
重要
部分資訊涉及發行前產品，在發行之前可能會有大幅修改。 Microsoft 對此處提供的資訊，不做任何明確或隱含的瑕疵擔保。
二元分類器的評估結果，包括機率指標。
public sealed class CalibratedBinaryClassificationMetrics : Microsoft.ML.Data.BinaryClassificationMetricstype CalibratedBinaryClassificationMetrics = class
inherit BinaryClassificationMetricsPublic NotInheritable Class CalibratedBinaryClassificationMetrics
Inherits BinaryClassificationMetrics- 繼承
屬性
| 名稱 | Description |
|---|---|
| Accuracy |
得到分類器的準確度，該分類器是測試集中正確預測的比例。 (繼承來源 BinaryClassificationMetrics) |
| AreaUnderPrecisionRecallCurve |
取得分類器精確度/回憶曲線下的面積。 (繼承來源 BinaryClassificationMetrics) |
| AreaUnderRocCurve |
讓面積低於 ROC 曲線。 (繼承來源 BinaryClassificationMetrics) |
| ConfusionMatrix |
混 淆矩陣 表示這兩類資料的真陽性、真陰性、假陽性和假陰性的計數。 (繼承來源 BinaryClassificationMetrics) |
| Entropy |
得到測試集熵，即基於測試集中正負實例比例的先對數損失。 分類器 LogLoss 低於熵表示該分類器比預測正值比例的機率更佳。 |
| F1Score |
取得分類器的F1分數，這是衡量分類器品質的指標，考量精確度與回憶性。 (繼承來源 BinaryClassificationMetrics) |
| LogLoss |
取得分類器的對數損失。 對數損失衡量分類器在預測機率與真實類別標籤差異的表現上。 較低的對數損失表示模型品質越好。 一個完美模型，若預測真實類別的機率為 1，其對數損失為 0。 |
| LogLossReduction |
取得分類器的對數損失減少（亦稱為相對對數損失或資訊增益減少 - RIG）。 它衡量模型相較於隨機預測模型的提升幅度。 對數損失減少接近 1 則表示模型更佳。 |
| NegativePrecision |
得到分類器的負精度，即所有負面預測中正確預測的負面實例比例（即被預測為負的負實例數除以被預測為負的實例總數）。 (繼承來源 BinaryClassificationMetrics) |
| NegativeRecall |
得到分類器的負回憶，該比例為正確預測的負面實例在所有負實例中所佔比例（即被預測為負的負實例數除以負面實例總數）。 (繼承來源 BinaryClassificationMetrics) |
| PositivePrecision |
得到分類器的正精度，即所有正向預測中正確預測的正向實例比例（即被預測為正的實例數除以被預測為正的實例總數）。 (繼承來源 BinaryClassificationMetrics) |
| PositiveRecall |
得到分類器的正回憶，即所有正面實例中正確預測的正向實例比例（即被預測為正的實例數除以正實例總數）。 (繼承來源 BinaryClassificationMetrics) |