Olet tässä:
Kokonaissuorituskyky-välilehti Multiclass-luokituksen käyttötapauksiin
Kokonaissuorituskyky-välilehdessä näytetään mallin laatua koskevia avaintilastoja.
Siirry Kokonaissuorituskyky-välilehteen
Napsauta Suorituskyky-osiosta Mallin arviointi ja napsauta sitten Kokonaissuorituskyky.
Luokan valitsin
Valitse luokka nähdäksesi sen suorituskykytilastot.
ROC-käyrä
Toimintaominaiskäyrä. Näyttää valitun luokan suorituskyvyn mitan. ROC on todennäköisyyskäyrä ja AUC (käyrän alle jäävä alue) näyttää erotuskyvyn asteen tai mitan. Tämä kaava näyttää, kuinka hyvin malli pystyy erottamaan eri luokat toisistaan.
- Y-akseli: Todellisten positiivisten suhde: TPR = TP / (TP + FN)
- X-akseli: Virheellisten positiivisten suhde: FPR = FP / (FP + TN)
- Malli (sininen viiva)
- Ei mallia (harmaa viiva) — sama kuin satunnainen todennäköisyys
Valitun luokan rivien määrä
Valittuun luokkaan liittyvän koulutusdatajoukon observaatioiden määrä.
AUC
Käyrän alle jäävä alue. Mittaa mallin oikeiden luokittelun suhdetta valitulle luokalle.
Ajanjakso:
- 0,5 tarkoittaa, että malli toimii yhtä hyvin kuin satunnainen arvailu.
- 1,0 tarkoittaa, että malli luokittelee datan oikein 100 % ajasta. AUC-arvo on 1,0, koska se voi tarkoittaa datavuotoa: mallisi kouluttamiseen käytetty data sisältää yhden tai useamman sarakkeen, jotka sisältävät tietoja, joita yrität ennustaa.
Valitun luokan hämmennysmatriisi
Sekaannusmatriisia käytetään arvioimaan valitun luokan eri virhetyyppien välisiä kompromisseja. Se näyttää, kuinka monta kertaa malli luokitteli tietueen todeksi ja vääräksi oikein ja virheellisesti siihen liittyvällä kynnysarvolla. Tärkeimmät tilastot:
| Mittataulukko | Kuvaus |
|---|---|
| F1 Pistemäärä | F1-pisteet edustavat tarkkuuden ja perumisen harmonista keskiarvoa. Kaava: F1 = 2 * ((tarkkuus * peruutus) / (tarkkuus + peruutus)) jossa
|
| Todellisten positiivisten suhde | Todellisten positiivisten suhde (TPR) mittaa osuutta positiivisista osista, jonka malli ennusti oikein. Kaava: TPR = TP / (TP + FN) jossa
Ajanjakso:
Todellisten positiivisten suhdetta kutsutaan myös luottamuksellisuus- tai vahvistus-arvoksi. |
| Tarkkuus | Precision (Ennakko) kuvaa positiivisten tulosten osuutta, joka on tosi positiivinen tulos. Kaava: Tarkkuus = TP / (TP + FP) jossa
Ajanjakso: Tarkkuutta kutsutaan myös Positive Predictive Value (PPV) -arvoksi.
|
| Negatiivinen ennuste-arvo | Negative Predictive Value (Negatiivinen ennustearvo) (NPV) kuvaa negatiivisten tulosten osuutta, jotka ovat todellisia negatiivisia tuloksia. Kaava: NPV = TN / (TN + FN) jossa
Ajanjakso:
|
| Merkitsevyys | Merkiöarvo mittaa mallin positiivisten ja negatiivisten ennusteiden luotettavuutta. Kaava: Merkitys = PPV + NPV - 1 jossa
|
| MCC | Matthews Correlation Coefficient (MCC) on mallin laatumitta. MCC antaa tasaisemman esityksen sekavuusmatriisin neljästä osasta kuin muut luokitusmetriikat. Ajanjakso:
|
| Käyttövalmius | Toimenpidettävyys mittaa, kuinka hyvin malli on tietoinen positiivisista ja negatiivisista muuttujista. Kaava: Informointi = TPR + TNR - 1 jossa
|
| Tarkkuus | Tarkkuus mittaa lopputulosten osuutta, jonka malli ennusti oikein. Kaava: Tarkkuus = (TP + TN) / Ennusteiden kokonaismäärä jossa
|
Kaikkien luokkien hämmennysmatriisi
Tämä kaavio näyttää sinulle yhdellä vilkaisulla, kuinka tarkasti malli ennustaa jokaisen luokan. Kun kunkin luokan rivi ja sarake toimivat suhteessa toisiinsa taulukossa, neliön väri osoittaa mallin tarkkuuden. Selite näyttää värien etenemisen välillä 0–1, jossa 1 tarkoittaa 100 % tarkkuutta. Tässä esimerkissä tummennan sininen vinoviiva osoittaa, että positiivisten prosenttiosuus on korkea.
