Loading
Om Salesforce Data 360
Indhold
Filtrer efter (0)Tilføj
Vælg filtre

          Ingen resultater
          Ingen resultater
          Her er nogle søgetips

          Kontroller stavemåden for dine søgeord.
          Brug mere generelle søgeudtryk.
          Vælg færre filtre for at gøre søgningen bredere.

            Søg efter alle i Hjælp til Salesforce
            Søg efter alle i Hjælp til Salesforce
            Binær klassificering

            breadcrumbDescription

            1. helpHomeLinkText
            2. docsHomeLinkTextShort
            3. Data 360

            Binær klassificering

            Metrikker for binær klassificering hjælper med at evaluere ydeevnen af en model, der kategoriserer data i to klasser.

            Accuracy (Nøjagtighed)

            Udover den generelle nøjagtighedsscore ved brug af AUC er der to yderligere metrikker til at forstå nøjagtigheden af en binær klassificeringsmodel.

            Modelnøjagtighedsfelt

            Se, hvor ofte modellen foretager korrekte og ukorrekte forudsigelser (1). Se afslutningspunktet for tærskel for, hvordan forudsigelser klassificeres mellem klasser (2).

            Confusion Matrix (Usikkerhedsmatrix)

            Bruges til at evaluere afvejningen mellem forskellige fejltyper baseret på tærskelværdien. Diagrammet viser, hvor mange gange modellen korrekt og forkert klassificerer observationer ved den tilhørende tærskel.

            Forvirringsmatriksdiagram

            ROC Curve (ROC-kurve)

            Kurven ROC (Receiver Operating Characteristic) viser ydeevnemåling ved forskellige tærskelindstillinger. ROC er en sandsynlighedskurve og AUC (Area Under te Curve - Område under kurve) repræsenterer graden eller målet for adskillelighed. Brug diagrammet til at se, hvor effektivt modellen kan skelne mellem klasser.

            ROC-kurvediagram

            Gain og Lift

            Gain- og Lift-diagrammer viser fordelene ved modellen. Ved at bruge en del af de data, der scores og rangeres til analyse, måler diagrammerne de resultater, der blev opnået med modellen, sammenlignet med tilfældigt gætteri uden en model. Jo større gain, og jo højere opløftning, desto mere effektiv er modellen.

            ROC-kurvediagram

            Diagram Beskrivelse
            Gain (Resultat)

            Gain-diagrammet afbilder den samlede positive sats eller gain efter procentdel af dataene. Jo tættere modellinjen er på teoretisk nøjagtighed (perfekt model), og jo længere væk den er fra tilfældigt gætteri (ingen model), desto større er gevinsten. Gain kan bruges til at prioritere din organisations ressourcer.

            Hvis f.eks. en model har en 80 % gevinst ved 20 % af dataene, kan 80 % af målet nås med de øverste 20 % af dataene.
            Lift

            Lift-diagrammet afbilder forbedringsforholdet eller lift efter procentdel af dataene. Bedre modeller har højere elevatorer.

            Hvis din model f.eks. har 2,5 stigning på 20 af dataene, er resultaterne af modellen 2,5 gange bedre i de øverste 20 % af dataene end uden en model.

            4-fold krydsvalidering

            Den 4-foldede krydsvalideringstilgang reducerer prøvebias under modelvalideringsprocessen. I denne metode opdeles dataene tilfældigt i fire separate partitioner af samme størrelse, og modellen gennemgår fire testgange (fold). Under hvert pass fungerer tre partitioner som træningsdata, mens den resterende fungerer som testdata. Ved at udføre fire testgennemgange bruges hver partition en gang som valideringsdata og tre gange som en del af træningsdataene, hvilket sikrer en omfattende evaluering. Se i tabellen over valideringsresultater for at undersøge metrikker, der svarer til hver fold af data.

            Tabel over krydsvalideringsmetrikker

            Metrisk Beskrivelse
            Antal registreringer

            Samlet antal observationer. Betydningen af værdi varierer pr. kolonne.

            • For kolonnerne Træningssæt og Valideringssæt er antallet det samme. Denne værdi repræsenterer det samlede antal observationer i hele det datasæt, der er brugt til oprettelsen af modellen.
            • For kolonnerne Fold nr. 1 til Fold nr. 4 repræsenterer denne værdi, hvor mange observationer, der faldt i folden (ca. 25 % af hele datasættet).
            AUC

            AUC (Area Under te Curve) repræsenterer frekvensen for den korrekte klassificering efter en logistisk model.

            • 0,5 betyder, at modellen ikke klarer sig bedre end tilfældigt gætteri.
            • 1.0 betyder, at modellen klassificerer data korrekt 100 % af tiden, hvilket kan antyde en datalækage.
            GINI Gini-indekset kvantificerer, hvor tæt denne logistiske model klarer sig i forhold til en teoretisk bedst mulig model.

            Andre metrikker

            Overvej andre metrikker, der almindeligvis bruges til at evaluere modelkvalitet.

            Metrisk Beskrivelse
            Nøjagtighed

            Nøjagtighed måler andelen af resultater, som modellen forudsagde korrekt (sande positive og sande negative).

            • Bruges til at evaluere den generelle klassificeringsydeevne for en model.
            • Området er fra 0 til 1 med en højere værdi, der angiver bedre ydeevne.
            • Det beregnes som (True Negative+True Positive)/(True Negative+False Negative+True Positive+False Positive).
            F1-score

            F1-score er det harmoniske gennemsnit af den positive forudsigende værdi (præcision) og den sande positive sats (tilbagekaldelse).

            • Bruges til at evaluere den generelle ydeevne af en binær klassificeringsmodel, især når det er lige så vigtigt at minimere falske positive og falske negative.
            • Området er fra 0 til 1 med en højere værdi, der angiver bedre ydeevne.
            • Det beregnes som 2*(Positive Predicted Value*True Positive Rate)/(Positive Predicted Value+True Positive Rate).
            Falske negativer Antallet af forudsagte negativer, der faktisk er positive.
            Falsk negativ sats:

            Falsk negativ sats (FNR, også kaldet type II-fejl eller misfrekvens) er andelen af forudsagte falske negativer blandt alle de faktiske positive.

            • Bruges til at evaluere, hvor ofte en klassificeringsmodel forkert klassificerer positive som negative, eller hvornår det er vigtigt at minimere falske negative fejl.
            • Området er fra 0 til 1 med en lavere værdi, der angiver bedre ydeevne.
            • Det beregnes som False Negative/(False Negative+True Positive).
            Falske positive Antallet af forudsagte positive, der faktisk er negative.
            Falsk positiv sats

            Falsk positiv sats (FPR, også kaldet type I-fejl, falsk alarm-forhold eller udløb) er antallet af forudsagte falske positive blandt alle de faktiske negative.

            • Bruges til at evaluere, hvor ofte en klassificeringsmodel forkert klassificerer negative som positive, eller hvornår det er vigtigt at minimere falske positive fejl.
            • Området er fra 0 til 1 med en lavere værdi, der angiver bedre ydeevne.
            • Det beregnes som False Positive/(False Positive+True Negative).
            Informedness (Informerbarhed)

            Informedness (også kaldet Youden's J-statistik) måler, hvor godt modellen forudsiger både positive og negative.

            • Bruges til at evaluere den generelle ydeevne af en binær klassificeringsmodel, især når det er lige så vigtigt at klassificere sande positive og sande negative.
            • Området er fra -1 til 1, hvor 1 angiver perfekt ydeevne, 0 angiver vilkårlig ydeevne og -1 angiver perfekt invers ydeevne.
            • Det beregnes som True Positive Rate+True Negative Rate-1.
            Markedness (Markerbarhed)

            Markerbarhed måler pålideligheden af positive og negative forudsigelser efter modellen.

            • Bruges til at evaluere den generelle ydeevne for en binær klassificeringsmodel, især når det er vigtigt at vurdere ydeevnen separat for positive og negative.
            • Området er fra -1 til 1, hvor 1 angiver perfekt ydeevne, 0 angiver vilkårlig ydeevne og -1 angiver perfekt invers ydeevne.
            • Det beregnes som Positive Predicted Value+Negative Predicted Value-1.
            MCC

            Matthews-korrelationskoefficienten (MCC) giver en mere jævn repræsentation af de fire dele af usikkerhedsmatrixen end andre klassificeringsmetrikker.

            • Bruges til at evaluere den generelle ydeevne, især når der er ubalancerede data.
            • Området er fra -1 til 1, hvor 1 angiver perfekt ydeevne, 0 angiver vilkårlig ydeevne og -1 angiver perfekt invers ydeevne.
            • Det beregnes som (True Positive*True Negative-False Positive*False Negative )/square root((True Positive+False Positive)*(True Positive+False Negative)*(True Negative+False Positive)*(True Negative+False Negative)).
            Negative Predictive Value (NPV - negativ forudsigelsesværdi)

            Negativ forudsigelsesværdi (NPV) er andelen af faktiske negativer blandt alle forudsagte negativer.

            • Bruges til at evaluere, hvor godt en klassificeringsmodel forudsiger negative forekomster, eller hvornår det er vigtigt at minimere falske negativer.
            • Området er fra 0 til 1 med en højere værdi, der angiver bedre ydeevne.
            • Det beregnes som True Negative/(True Negative+False Negative).
            Positiv forudsigelsesværdi (præcision)

            Positiv forudsigelsesværdi (PPV, også kaldet præcision) er andelen af faktiske positive blandt alle forudsagte positive.

            • Bruges til at evaluere, hvor godt en klassificeringsmodel forudsiger positive forekomster, eller hvornår det er vigtigt at minimere falske positive.
            • Området er fra 0 til 1 med en højere værdi, der angiver bedre ydeevne.
            • Det beregnes som True Positive/(True Positive+False Positive).
            Sande negativer Antallet af forudsagte negativer, der faktisk er negative.
            Ægte negativ sats (specifikation)

            Sand negativ sats (TNR, også kaldet specificitet) er andelen af forudsagte negativer blandt alle de faktiske negativer.

            • Bruges til at evaluere, hvor ofte en klassificeringsmodel klassificerer negative korrekt, eller hvornår det er vigtigt at identificere negative forekomster korrekt.
            • Området er fra 0 til 1 med en højere værdi, der angiver bedre ydeevne.
            • Det beregnes som True Negative/(True Negative+False Positive).
            Sande positive Antallet af forudsagte positive, der faktisk er positive.
            Ægte positiv sats (følsomhed, tilbagekaldelse)

            Ægte positiv sats (TPR, også kaldet følsomhed eller tilbagekaldelse) er andelen af forudsagte positive blandt alle de faktiske positive.

            • Bruges til at evaluere, hvor ofte en klassificeringsmodel klassificerer positive korrekt, eller hvornår det er vigtigt at identificere positive forekomster korrekt.
            • Området er fra 0 til 1 med en højere værdi, der angiver bedre ydeevne.
            • Det beregnes som True Positive/(True Positive+False Negative).
             
            Indlæser
            Salesforce Help | Article