Ti trovi qui:
Scheda Prestazioni generali per i casi d'uso di classificazione multiclasse
La scheda Prestazioni generali mostra le metriche principali relative alla qualità del modello.
Navigazione alla scheda Prestazioni generali
In Prestazioni, fare su Valutazione del modello, quindi su Prestazioni generali.
Selettore classe
Selezionare una classe per visualizzarne le statistiche sulle prestazioni.
Curva ROC
Curva ROC (Receiver Operating Characteristic). Visualizza la misurazione delle prestazioni per la classe selezionata. La curva ROC è una curva di probabilità e l'AUC (Area sotto la curva) rappresenta il grado o la misura di separabilità. Questo grafico mostra in che misura il modello è in grado di effettuare distinzioni tra le classi.
- Asse Y: Tasso di veri positivi: TPR = VP / (VP + FN)
- Asse X: Tasso di falsi positivi >: FPR = FP / (FP + VN)
- Modello (linea blu)
- Nessun modello (linea grigia): uguale al caso fortuito
Conteggio delle righe per la classe selezionata
Numero di osservazioni nella serie di dati di addestramento associata alla classe selezionata.
AUC
Area sotto la curva. Misura il tasso di classificazione corretta del modello per la classe selezionata.
Intervallo:
- 0,5 indica che il modello genera una congettura casuale (random guess).
- 1,0 indica che il modello ha classificato correttamente i dati il 100% delle volte. Un AUC di 1,0 è sospetto poiché può indicare fughe di dati: i dati utilizzati per eseguire l'addestramento del modello includono una o più colonne che contengono le informazioni di cui si sta tentando di eseguire la previsione.
Matrice di confusione per la classe selezionata
La matrice di confusione si usa per valutare i compromessi tra diversi tipi di errore per la classe selezionata. Indica quante volte il modello classifica in modo corretto e non corretto un'osservazione come vera e falsa per la classe. Metriche chiave:
| Metrica | Descrizione |
|---|---|
| Punteggio F1 | Il punteggio F1 rappresenta la media armonica di precisione e richiamo. Formula: F1 = 2 * ( (precisione * richiamo) / (precisione + richiamo) ) dove
|
| Tasso di veri positivi | Il Tasso di veri positivi (TPR, True Positive Rate) misura la percentuale di veri positivi che il modello ha previsto correttamente. Formula: TPR = VP / (VP + FN) dove
Intervallo:
Il Tasso di veri positivi è noto anche come Riservatezza o Richiamo. |
| Precisione | La Precisione descrive la percentuale di risultati positivi che sono risultati veri positivi. Formula: Precisione = VP / (VP + FP) dove
Intervallo: La precisione è nota anche come valore predittivo positivo (PPV, Positive Predictive Value).
|
| Valore predittivo negativo | Il Valore predittivo negativo (NPV, Negative Predictive Value) descrive la percentuale di risultati negativi che sono risultati veri negativi. Formula: NPV = VN / (VN + FN) dove
Intervallo:
|
| Marcatezza | La Marcatezza misura l'affidabilità delle previsioni positive e negative del modello. Formula: Marcatezza = PPV + NPV - 1 dove
|
| MCC | Il Coefficiente di correlazione di Matthews (MCC) è una misura della qualità del modello. MCC offre una rappresentazione più uniforme delle 4 parti della matrice di confusione rispetto ad altre metriche di classificazione. Intervallo:
|
| Livello di informazione | Il Livello di informazione misura quanto è informato il modello su positivi e negativi. Formula: Livello di informazione = TPR + TNR - 1 dove
|
| Accuratezza | L'Accuratezza misura la proporzione degli esiti previsti correttamente dal modello. Formula: Accuratezza = (VP + FP) / N. totale di previsioni dove
|
Matrice di confusione per tutte le classi
Questo grafico mostra rapidamente in che misura il modello prevede ogni classe in modo preciso. Dove la riga e la colonna di ogni classe si intersecano nella tabella, il colore del quadrato indica l'accuratezza del modello. La legenda mostra una progressione dei colori da 0 a 1, con 1 che rappresenta la precisione 100%. In questo esempio, la diagonale di colore blu scuro indica una percentuale elevata di veri positivi.
