Loading
CRM Analytics (CRM-analyser)
Fanen Generel ydeevne for anvendelsessituationer med multiklasseklassificering

breadcrumbDescription

  1. helpHomeLinkText
  2. docsHomeLinkTextShort
  3. CRM Analytics (CRM-analyser)

Fanen Generel ydeevne for anvendelsessituationer med multiklasseklassificering

Fanen Generel ydeevne viser nøglemetrikker for modelkvalitet.

Bemærk
Bemærk Einstein Discovery-historier er nu modeller. Vi ønsker, at vi kan tage vores finger på at opdatere navnet overalt, men du kan forvente at se det forrige navn nogle få steder, indtil vi erstatter det.

Naviger til fanen Generel ydeevne

Klik på Modelevaluering i Ydeevne, og klik derefter på Generel ydeevne.

Fanen Generel ydeevne, der viser nøjagtighedsanalyseresultater

Klassevælger

Vælg en klasse for at se dens ydeevnestatistikker.

ROC Curve (ROC-kurve)

ROC (Receiver Operating Characteristic)-kurve. Viser ydeevnemålet for den valgte klasse. ROC er en sandsynlighedskurve og AUC (Area Under the Curve - Område under kurve) repræsenterer graden eller målet for adskillelighed. Dette diagram fortæller, hvor meget modellen er i stand til at skelne mellem klasser.

  • Y-akse: True Positive Rate (Ægte positiv sats): TPR = TP / (TP + FN)
  • X-akse: False Positive Rate> (Falsk positiv sats): FPR = FP / (FP + TN)
  • Model (blå linje)
  • Ingen model (grå linje) – det samme som tilfældighed

Rækkeantal for den valgte klasse

Antal rækker i træningsdatasættet, der er knyttet til den valgte klasse.

AUC

AUC (Area Under the Curve - Området under kurven). Måler modellens rangering for korrekt klassificering for den valgte klasse.

Område:

  • 0,5 betyder, at modellen ikke er bedre end tilfældigt gætteri.
  • 1,0 betyder, at modellen klassificerede data korrekt 100 % af tiden. En AUC på 1,0 er mistænkelig, da den kan angive datalækage: de data, der bruges til at træne din model, inkluderer en eller flere kolonner, der indeholder de oplysninger, som du forsøger at forudsige.

Usikkerhedsmatrix for den valgte klasse

Usikkerhedsmatrixen bruges til at evaluere afvejningerne mellem forskellige fejltyper for den valgte klasse. Den viser, hvor mange gange modellen korrekt og forkert klassificerer en observation som sand og falsk for klassen. Nøglemetrikker:

MetriskBeskrivelse
F1-score

F1-scoren repræsenterer det harmoniske gennemsnit af præcision og tilbagekald.

Formel:

F1 = 2 * ((præcision * tilbagekald) / (præcision + tilbagekald))

hvor

  • præcision repræsenterer antallet af korrekte positive resultater divideret med antallet af alle positive resultater.
  • tilbagekald repræsenterer antallet af korrekte positive resultater divideret med antallet af alle relevante observationer (alle observationer, der skulle have været identificeret som positive).
Ægte positiv sats

Sand positiv sats (TPR - True Positive Rate) måler andelen af sande positiver, som modellen forudsiger korrekt.

Formel:

TPR = TP / (TP + FN)

hvor

  • TP repræsenterer antallet af sande positive (positiv forudsigelse med et positivt resultat)
  • FN repræsenterer antallet af falske negative (negativ forudsigelse med et positivt resultat)

Område:

  • et (1) repræsenterer en perfekt test (100 % sande positive)
  • nul (0) repræsenterer den værst mulige værdi (0 % sande positive).

Den sande positive sats kaldes også Følsomhed eller Tilbagekald.
Præcision

Præcision beskriver andelen af positive resultater, der er sande positive resultater.

Formel:

Præcision = TP / (TP + FP)

hvor

  • TP repræsenterer antallet af sande positive (positiv forudsigelse med et positivt resultat)
  • FP repræsenterer antallet af falske positive (positiv forudsigelse med et negativt resultat)

Område: Præcision kaldes også PPV (Positive Predictive Value - positiv forudsigelsesværdi).

  • 1 repræsenterer en perfekt test (100 % sande positive)
  • 0 repræsenterer den værst mulige værdi (0 % sande positive)
Negative Predictive Value (NPV - negativ forudsigelsesværdi)

Negativ forudsigelsesværdi (NPV - Negative Predictive Value) beskriver andelen af negative resultater, der er sande negative resultater.

Formel:

NPV = TN / (TN + FN)

hvor

  • TN repræsenterer antallet af sande negativer (negativ forudsigelse med et negativt resultat)
  • FN repræsenterer antallet af falske negative (negativ forudsigelse med et positivt resultat)

Område:

  • 1 repræsenterer en perfekt test (100 %)
  • 0 repræsenterer den værst tænkelige værdi
Markedness (Markerbarhed)

Markerbarhed måler pålideligheden af positive og negative forudsigelser efter modellen.

Formel:

Markedness = PPV + NPV - 1

hvor

  • PPV er den positive forudsigende værdi
  • NPV er den negative forudsigende værdi
MCC

Matthews Correlation Coefficient (MCC) er et modelkvalitetsmål. MCC giver en mere jævn repræsentation af de fire dele af usikkerhedsmatrixen end andre klassificeringsmetrikker.

Område:

  • +1 betyder, at modellen forudsiger klassen korrekt hver gang.
  • 0 betyder, at modellen svarer til tilfældigt gætteri
  • -1 betyder, at modellen forudsiger klassen forkert til det modsatte hver gang
Informedness (Informerbarhed)

Informerbarhed måler, hvor informeret modellen er om positive og negative.

Formel:

Informedness = TPR + TNR - 1

hvor

  • TPR er True Positive Rate (Sand positiv sats)
  • TNR er True Negativ Rate (Sand negativ sats)
Accuracy (Nøjagtighed)

Nøjagtighed måler nøjagtigt forholdet for resultater, som modellen forudså korrekt.

Formel:

Nøjagtighed= (TP + TN) / Forudsigelser i alt

hvor

  • TP repræsenterer antallet af sande positive (positiv forudsigelse med et positivt resultat)
  • TN repræsenterer antallet af sande negativer (negativ forudsigelse med et negativt resultat)
  • Forudsigelser i alt, som modellen foretog (korrekte forudsigelser plus ukorrekte forudsigelser)

Usikkerhedsmatrix for alle klasser

Dette diagram viser dig straks, hvor nøjagtigt modellen forudsiger hver klasse. Hvor rækken og kolonnen for hver klasse skærer hinanden i tabellen, angiver farven på den kvadratiske modellens nøjagtighed. Forklaringen viser en farvestatus fra 0 til 1, hvor 1 repræsenterer 100 % nøjagtighed. I dette eksempel angiver den mørkere blå diagonal en høj procentdel af sande positive.

Related information html

 
Indlæser
Salesforce Help | Article