Il nodo Valutazione consente di valutare e mettere a confronto modelli predittivi per scegliere il miglior modello per l'applicazione da utilizzare. I grafici prodotti dal nodo Valutazione (o grafici di valutazione) mostrano il comportamento dei modelli nella previsione di particolari risultati. Questi grafici ordinano i record in base al valore previsto e alla confidenza della previsione, quindi li suddividono in gruppi di uguale dimensione (quantili) e infine rappresentano il valore del criterio di business per ciascun quantile, dal più alto al più basso. I modelli multipli sono mostrati nel grafico come linee separate.

I risultati vengono gestiti definendo un valore specifico o un intervallo di valori come riscontro. I riscontri in genere indicano un qualche successo (ad esempio una vendita a un cliente) o un evento significativo (ad esempio una diagnosi medica specifica). È possibile definire i criteri di riscontro nella sezione OPZIONI delle proprietà del nodo oppure è possibile utilizzare i criteri di riscontro predefiniti come segue:

• I campi di output indicatore sono di semplice interpretazione; i riscontri corrispondono ai valori true.
• Nei campi di output nominali il primo valore dell'insieme definisce un riscontro.
• Nei campi di output continui i riscontri equivalgono ai valori superiori al valore intermedio dell'intervallo del campo.

Sono disponibili sei tipi di grafici di valutazione, ognuno dei quali enfatizza un criterio di valutazione diverso.

Grafici dei guadagni

I guadagni sono rappresentati dalla percentuale di riscontri complessivi in ogni quantile. I guadagni vengono calcolati come (number of hits in quantile / total number of hits) × 100%.

Grafici di guadagno cumulativo

Il grafico guadagno cumulativo confronta la percentuale di record che in ogni quantile corrispondono a riscontri con la percentuale globale di riscontri nei dati di addestramento. Viene calcolato come (hits in quantile / records in quantile) / (total hits / total records).

Grafici delle risposte

La risposta è rappresentata dalla percentuale di record nel quantile corrispondenti a riscontri. La risposta viene calcolata come (hits in quantile / records in quantile) × 100%.

Grafici dei profitti

Il profitto equivale alle entrate relative a ogni record meno il costo per il record. I profitti di un quantile sono semplicemente la somma dei profitti di tutti i record nel quantile. Si presuppone che le entrate vengano applicate solo ai riscontri, mentre i costi vengono applicati a tutti i record. Profitti e costi possono essere fissi oppure definiti da campi nei dati. I profitti vengono calcolati come (sum of revenue for records in quantile − sum of costs for records in quantile).

Grafici ROI

Il valore ROI (Return On Investment) è simile al profitto in quanto implica la definizione di entrate e costi. Il ROI confronta i profitti con i costi per il quantile. ROI viene calcolato come (profits for quantile / costs for quantile) × 100%.

Grafici ROC

ROC (receiver operator characteristic) può essere utilizzato solo con classificatori binari. ROC può essere utilizzato per visualizzare, organizzare e selezionare i classificatori in base alle relative prestazioni. Un grafico ROC traccia graficamente il tasso (o la sensibilità) di veri positivi a fronte del tasso di falsi positivi del classificatore. Un grafico ROC rappresenta i compromessi relativi tra i vantaggi (veri positivi) ed i costi (falsi positivi). Un vero positivo è un'istanza che rappresenta un riscontro e viene classificata come riscontro. Pertanto il tasso dei veri positivi viene calcolato come numero di veri positivi/numero di istanze che sono effettivamente riscontri. Un falso positivo è un'istanza che rappresenta un riscontro mancato e viene classificata come riscontro. Pertanto il tasso dei falsi positivi viene calcolato come numero di falsi positivi/numero di istanze che sono effettivamente mancati riscontri.

I grafici di valutazione possono essere anche cumulati, per cui ogni punto equivale al valore del quantile corrispondente più tutti i quantili superiori. I grafici cumulativi in genere offrono una rappresentazione migliore delle performance globali dei modelli, mentre i grafici non cumulativi risultano spesso più efficaci per mettere in evidenza particolari aree problematiche dei modelli.