La précision est une mesure de la proportion de prévisions correctes dans votre modèle dans Watson OpenScale.
L'exactitude en bref
- Description : Proportion des prévisions correctes
- Seuils par défaut : limite inférieure = 80%
- Recommandation par défaut :
- Tendance à la hausse : une tendance à la hausse indique que la métrique s'améliore. Cela signifie que l'entraînement du modèle est efficace.
- Tendance à la baisse : une tendance à la baisse indique que la métrique se dégrade. Les données de commentaires deviennent nettement différentes des données d'entraînement.
- Variation erratique ou irrégulière : Une variation erratique ou irrégulière indique que les données de commentaires ne sont pas cohérentes entre les évaluations. Augmentez la taille d'échantillon minimale pour le moniteur Qualité.
- Types de problème : classification binaire et classification multi-classes
- Valeurs de graphique : dernière valeur de la période
- Détails des métriques disponibles : Matrice de confusion
Comprendre l'exactitude
L'exactitude peut signifier différentes choses selon le type de l'algorithme :
Classification multi-classes : l'exactitude mesure le nombre de fois qu'une classe quelconque a été prévue correctement, normalisé par le nombre de points de données. Pour plus de détails, consultez Multi-class classification dans la documentation Apache Spark.
Classification binaire : pour un algorithme de classification binaire, l'exactitude est mesurée comme la zone située sous une courbe ROC. Pour plus de détails, consultez Binary classification dans la documentation Apache Spark.
Régression: les algorithmes de régression sont mesurés à l'aide du coefficient de détermination, ou R2. Pour plus de détails, consultez Regression model evaluation dans la documentation Apache Spark.
Calculs
La précision est définie comme le nombre de vrais positifs et négatifs qui sont divisés par la somme des vrais positifs et négatifs et la somme des faux positifs et négatifs.
number of true positives + number of true negatives
Accuracy = ________________________________________________________________________________________________________________
(number of true positives + number of true negatives + number of false positives + number of false negatives)
Fonctionnement
Vous devez ajouter des données de retour libellées manuellement via l'interface utilisateur Watson OpenScale , comme illustré dans les exemples suivants, à l'aide d'un client Python ou d'une API REST.
Exactitude débiaisée
Lorsqu'il existe des données pour la prendre en charge, l'exactitude est calculée à la fois sur le modèle d'origine et le modèle débiaisé. IBM Watson OpenScale calcule la précision de la sortie débiaisée et la stocke dans la table de journalisation de contenu utile en tant que colonne supplémentaire.
En savoir plus
Examen des résultats de qualité
Rubrique parent : Présentation des métriques de qualité