您位於此處：
多類別分類使用個案的交叉驗證索引標籤
為測試模型進行預估的能力，Einstein Discovery 會使用 k 折交叉驗證，該流程可在驗證模型時降低取樣偏差。此索引標籤會摘要說明此模型交叉驗證流程的結果，以及某些基本的運算詳細資料。
備註 Einstein Discovery 情節現已為模型。我們希望在彈指之間就能夠將每一處的這個名稱更新，但在我們取代該名稱前，您還是會在一些地方看見先前的名稱。
瀏覽至交叉驗證索引標籤
在「效能」中，按一下「模型評估」，然後按一下「交叉驗證」。
「交叉驗證」索引標籤上的資料欄
| 欄位名稱 | 描述 |
|---|---|
| 度量名稱 | 度量的名稱。 |
| 訓練集 | Einstein Discovery 用於訓練模型的 CRM Analytics 資料集中的觀察集度量。 |
| 驗證集 | Einstein Discovery 用於驗證由訓練模型所產生預估的 CRM Analytics 資料集中的觀察集度量。 |
| 折 #1 | 第一折的度量。 |
| 折 #2 | 第二折的度量。 |
| 折 #3 | 第三折的度量。 |
| 折 #4 | 第四折的度量。 |
「交叉驗證」索引標籤上的度量
| 度量名稱 | 描述 |
|---|---|
| 列數量 | 觀察值總數值的意義會隨資料欄而異。
|
| 對數損失 | 對數遺失。以比例 0 到 1 測量模型效能,其中 0 代表完美模型 (預估的機率 100% 正確符合實際觀察值)。預估的機率與實際觀察值越不符合 (效能降低)，則對數損失愈高。對數損失會考慮模型效能中的不確定性。 |
| 每類別錯誤的平均值 | 測量預估錯誤的頻率。值愈低，表示預估發生錯誤的頻率愈低，因此模型能更準確地預估。 |
模型驗證方法
Einstein Discovery 會在您的模型上執行 k 折交叉驗證 (k=4)。此流程包含下列步驟：
- 隨機將 CRM Analytics 資料集中的所有觀察分為四個相同大小的分割。
- 執行四個測試進行 (折)，其中三個分割作為訓練集，一個分割作為測試集。
備註 完成四個測試進行之後，每個分割皆有一次作為驗證集，三次作為訓練集的一部分。
- 針對每一折編譯模型度量。
- 運用四折的平均值計算整體分數。
另請參照：
此文章是否解決您的問題？
請讓我們知道，以便我們改進！
