Du er her:
Generell ytelse-fanen for brukstilfeller med klassifisering med flere klasser
Fanen Generell ytelse viser viktige målinger for modellkvalitet.
Navigere til fanen Generell ytelse
Klikk på Modellevaluering i Ytelse, og klikk deretter på Generell ytelse.
Klassevelger
Velg en klasse for å se ytelsesstatistikken.
ROC-kurve
Kurve for mottakerens kjennetegn (Receiver Operating Characteristic). Viser ytelsesmålingen for den valgte klassen. ROC (mottakerens kjennetegn) er en sannsynlighetskurve, og AUC (areal under kurven) representerer en grad eller et mål for atskilthet. Dette diagrammet forteller hvor god modellen er til å skille mellom klasser.
- Y-akse: Sann positiv rate: SPR = SP / (SP + UN)
- X-akse: Usann positiv rate: FPR = FP / (FP + TN)
- Modell (blå linje)
- Ingen modell (grå linje) – det samme som tilfeldighet
Antall rader for den valgte klassen
Antall observasjoner i opplæringsdatasettet som er knyttet til den valgte klassen.
AUC
Areal under kurven. Måler modellens grad av riktig klassifisering for den valgte klassen.
Område:
- 0,5 betyr at modellen ikke er bedre enn tilfeldig gjetting.
- 1,0 betyr at modellen klassifiserte data riktig 100 prosent av tiden. En AUC på 1,0 er mistenkelig fordi den kan indikere datalekkasje: dataene som brukes til å lære opp modellen, inkluderer én eller flere kolonner som inneholder informasjonen du prøver å forutsi.
Forvirringsmatrise for den valgte klassen
Forvirringsmatrisen brukes til å evaluere avveiingene mellom forskjellige feiltyper for den valgte klassen. Den viser hvor mange ganger modellen riktig og feil klassifiserer en observasjon som sann eller usann for klassen. Viktige målinger:
| Måling | Beskrivelse |
|---|---|
| F1-score | F1-scoren representerer det harmoniske gjennomsnittet av presisjon og tilbakekalling. Formel: F1 = 2 * ((presisjon * tilbakekall) / (presisjon + tilbakekall)) der
|
| Sann positiv rate | Sann positiv rate (SPR) måler andelen av sanne positive som modellen har forutsagt riktig. Formel: SPR = SP / (SP + UN) der
Område:
Sann positiv rate kalles også Sensitivitet eller Tilbakekall. |
| Presisjon | Presisjon beskriver andelen av positive resultater som er sanne positive resultater. Formel: Presisjon = SP / (SP + UP) der
Område: Presisjon kalles også Positiv forutsigelsesverdi (PFV).
|
| Verdi for negativ forutsigelse | Verdi for negativ forutsigelse (NFV) beskriver andelen av negative resultater som er sanne negative resultater. Formel: NFV = SN / (SN + UN) der
Område:
|
| Markerthet | Markerthet måler troverdigheten til positive og negative forutsigelser av modellen. Formel: Markerthet = PFV + NFV - 1 der
|
| MCC | Matthews Correlation Coefficient (MCC) er et mål på modellkvalitet. MCC gir en mer jevn representasjon av de fire delene av forvirringsmatrisen enn andre klassifiseringsmålinger. Område:
|
| Informerthet | Informerthet måler hvor informert modellen er om positive og negative. Formel: Informerthet = SPR + SNR - 1 der
|
| Nøyaktighet | Nøyaktigheten angir hvor stor andel av utfallene modellen forutsier riktig. Formel: Nøyaktighet = (SP + SN) / totalt antall forutsigelser der
|
Forvirringsmatrise for alle klasser
Dette diagrammet viser deg raskt hvor nøyaktig modellen forutsier hver klasse. Der raden og kolonnen for hver klasse krysser hverandre i tabellen, angir fargen på kvadratet modellens nøyaktighet. Forklaringen viser en fargeprogresjon fra 0 til 1, med 1 som representerer 100 % nøyaktighet. I dette eksemplet angir den mørke blå diagonalen en høy prosentandel av sanne positive.
