Přesnost je měřítkem podílu správných předpovědí v rámci vašeho modelu v produktu Watson OpenScale.
Přesnost na první pohled
- Popis: Podíl správných předpovědí.
- Výchozí prahové hodnoty: Dolní limit = 80%
- Výchozí doporučení:
- Meziroční trend: Trend směřující vzhůru označuje, že se metrika zlepšuje. To znamená, že rekvalifikace modelu je účinná.
- Meziroční trend: Klesající trend označuje, že se metrika zhoršuje. Zpětná vazba dat se výrazně liší od údajů o odborné přípravě.
- Vyzpytatelné nebo nepravidelné variace: Vymazává nebo nepravidelná variace označuje, že data zpětné vazby nejsou konzistentní mezi hodnoceními. Zvětšete minimální velikost vzorku pro monitor kvality.
- Typy problémů: Klasifikace binární klasifikace a vícevláknové třídy
- Hodnoty grafu: Poslední hodnota v časovém rámci.
- Dostupné podrobnosti metriky: Matice sloučení
Porozumění správnosti
Přesnost může znamenat různé věci v závislosti na typu algoritmu:
Klasifikace více tříd: Přesnost měří počet případů, kdy byla jakákoli třída předpovězena správně, normalizovaná podle počtu datových bodů. Další informace naleznete v tématu Klasifikace více tříd v dokumentaci Apache Spark .
Binární klasifikace: Pro algoritmus binární klasifikace je přesnost měřena jako oblast pod křivkou ROC. Další podrobnosti naleznete v tématu Binární klasifikace v dokumentaci produktu Apache Spark .
Regrese: Regresní algoritmy jsou měřeny pomocí Coefficient of Determination, nebo R2. Další informace najdete v tématu Vyhodnocení modelu regrese v dokumentaci produktu Apache Spark .
Spojte si to
Přesnost je definována jako počet pravých pozitiv a negativ, které jsou rozděleny součtem skutečných pozitiv a negativů a součet falešných pozitiv a negativů.
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)
Způsob činnosti
Musíte přidat ručně označená data zpětné vazby prostřednictvím uživatelského rozhraní Watson OpenScale , jak je zobrazeno v následujících příkladech, pomocí klienta Python nebo Rest API.
Nezkreslená přesnost
Jsou-li k dispozici údaje pro jeho podporu, přesnost se počítá jak na původním, tak i na předlomeném modelu. Produkt IBM Watson OpenScale vypočítá přesnost pro dezaujatý výstup a uloží jej do tabulky s protokolováním informačního obsahu jako přebytečný sloupec.
Další informace
Nadřízené téma: Přehled metrik kvality