다음을 통해 공유


CalibratedBinaryClassificationMetrics 클래스

정의

확률적 메트릭을 포함한 이진 분류자를 위한 평가 결과입니다.

public sealed class CalibratedBinaryClassificationMetrics : Microsoft.ML.Data.BinaryClassificationMetrics
type CalibratedBinaryClassificationMetrics = class
    inherit BinaryClassificationMetrics
Public NotInheritable Class CalibratedBinaryClassificationMetrics
Inherits BinaryClassificationMetrics
상속
CalibratedBinaryClassificationMetrics

속성

Accuracy

테스트 집합에서 올바른 예측의 비율인 분류자의 정확도를 가져옵니다.

(다음에서 상속됨 BinaryClassificationMetrics)
AreaUnderPrecisionRecallCurve

분류자의 전체 자릿수/재현율 곡선 아래에 있는 영역을 가져옵니다.

(다음에서 상속됨 BinaryClassificationMetrics)
AreaUnderRocCurve

ROC 곡선 아래의 영역을 가져옵니다.

(다음에서 상속됨 BinaryClassificationMetrics)
ConfusionMatrix

두 가지 데이터 클래스에 대한 참 긍정, 참 부정, 가양성 및 거짓 부정의 개수를 제공하는 혼동 행렬 입니다.

(다음에서 상속됨 BinaryClassificationMetrics)
Entropy

테스트 집합의 양수 및 부정 인스턴스 비율에 따라 이전 로그 손실인 테스트 집합 엔트로피를 가져옵니다. 엔트로피보다 낮은 분류자는 LogLoss 각 인스턴스에 대한 확률로 양수 인스턴스의 비율을 예측하는 것보다 분류자가 더 낫다는 것을 나타냅니다.

F1Score

정밀도와 재현율을 모두 고려하여 분류자의 품질을 측정하는 분류자의 F1 점수를 가져옵니다.

(다음에서 상속됨 BinaryClassificationMetrics)
LogLoss

분류자의 로그 손실을 가져옵니다. 로그 손실은 예측된 확률이 실제 클래스 레이블과 얼마나 다른지와 관련하여 분류자의 성능을 측정합니다. 로그 손실이 낮을수록 더 나은 모델을 나타냅니다. 실제 클래스에 대해 1의 확률을 예측하는 완벽한 모델은 로그 손실이 0입니다.

LogLossReduction

분류자의 로그 손실 감소(상대 로그 손실 또는 정보 게인 감소 - RIG라고도 함)를 가져옵니다. 임의 예측을 제공하는 모델에서 모델이 얼마나 개선되는지 측정합니다. 로그 손실 감소가 1에 가까울수록 더 나은 모델을 나타냅니다.

NegativePrecision

모든 음수 예측 중에서 올바르게 예측된 음수 인스턴스의 비율인 분류자의 음수 정밀도를 가져옵니다(즉, 음수로 예측된 음수 인스턴스의 수를 음수로 예측된 총 인스턴스 수로 나눕니다).

(다음에서 상속됨 BinaryClassificationMetrics)
NegativeRecall

모든 음수 인스턴스 중에서 올바르게 예측된 음수 인스턴스의 비율인 분류자의 음수 회수를 가져옵니다(예: 음수로 예측된 음수 인스턴스의 수, 총 음수 인스턴스 수로 나눠짐).

(다음에서 상속됨 BinaryClassificationMetrics)
PositivePrecision

모든 양수 예측 중에서 올바르게 예측된 양수 인스턴스의 비율인 분류자의 양수 정밀도를 가져옵니다(즉, 긍정으로 예측된 양수 인스턴스의 수를 양수로 예측된 총 인스턴스 수로 나눕니다).

(다음에서 상속됨 BinaryClassificationMetrics)
PositiveRecall

모든 양수 인스턴스 중에서 올바르게 예측된 양수 인스턴스의 비율인 분류자의 양수 회수를 가져옵니다(예: 긍정으로 예측된 양수 인스턴스의 수, 총 양의 인스턴스 수로 나눠짐).

(다음에서 상속됨 BinaryClassificationMetrics)

적용 대상