适用于二元分类用例的阈值评估

阈值评估有助于优化模型的阈值。阈值会告知模型如何对二元结果进行分类。如果计算概率高于阈值，Einstein 会使用一种方式分类结果（例如真或正）。如果计算概率低于阈值，Einstein 会使用另一种方式分类结果（例如假或负）。

备注 Einstein Discovery 数据趋势图现在是模型。我们希望可以随时随地更新名称，但是在我们替换之前，您可能会在一些地方看到以前的名称。

导航到阈值评估

在性能中，单击阈值评估。

度量	描述
控制	您可以设置代表您预测 2 个结果的临界值的最佳阈值。要更改选定阈值：阈值：拖动滑块，以设置阈值。优化特定度量：从列表中选择常用度量。成本率：要允许 Einstein Discovery 精确找到优化阈值，指定成本率（假阳性与假阴性之间的比率）。阈值反映了您的选择。在 ROC 图形中，蓝点移到实际模型线中的相应位置；该位置代表沿 ROC 曲线的阈值。
ROC 曲线	接受者操作特征曲线。显示在各种阈值设置中的性能测量。ROC 是概率曲线，AUC（ROC 曲线下与坐标轴围成的面积）代表可分离性的程度或测量。此图表显示了模型区分类的效果。 Y 轴：真阳性率：TPR = TP / (TP + FN) X 轴：假阳性率 >：FPR = FP / (FP + TN) 模型（蓝色行）无模型（灰色行）— 与随机机会相同
行数	训练数据中的行数。
AUC	ROC 曲线下与坐标轴围成的面积。代表逻辑模型的正确分类率。AUC 为 0.5 表示模型表现不如随机猜测。AUC 为 1.0 表示模型在 100% 的时间内正确分类数据，这可以表示数据泄露。

本文章是否解决您的问题？

请与我们共享您的想法，以便我们进行改进！