La precisión es una medida de la proporción de predicciones correctas dentro del modelo en Watson OpenScale.
Detalles de la precisión
- Descripción: La proporción de predicciones correctas
- Umbrales predeterminados: límite inferior = 80%
- Recomendación predeterminada:
- Tendencia al alza: Una tendencia al alza indica que la métrica está mejorando. Esto significa que el reentrenamiento del modelo es efectivo.
- Tendencia a la baja: Una tendencia a la baja indica que la métrica se está deteriorando. Los datos de comentarios ya son significativamente distintos respecto a los datos de entrenamiento.
- Variación errática o irregular: Una variación errática o irregular indica que los datos de comentarios no son coherentes entre evaluaciones. Incremente el tamaño mínimo de la muestra para el supervisor de calidad.
- Tipos de problema: Clasificación binaria y clasificación multiclase
- Valores de gráfico: Último valor en el margen de tiempo
- Detalles de métricas disponibles: Matriz de confusión
Información sobre la precisión
La precisión puede indicar distintos aspectos en función del tipo de algoritmo:
Clasificación multiclase: La precisión mide el número de veces que se ha previsto correctamente cualquier clase, normalizada por el número de puntos de datos. Para obtener más detalles, consulte Multi-class classification en la documentación de Apache Spark.
Clasificación binaria: Para un algoritmo de clasificación binaria, la precisión se mide como el área bajo una curva ROC. Consulte Binary classification en la documentación de Apache Spark para obtener más detalles.
Regresión: Los algoritmos de regresión se miden utilizando el coeficiente de determinación o R2. Para obtener más detalles, consulte la Evaluación del modelo de regresión en la documentación de Apache Spark.
Cómo se calcula
La precisión se define como el número de verdaderos positivos y negativos que se dividen por la suma de los verdaderos positivos y negativos y la suma de falsos positivos y negativos.
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)
Cómo funciona
Debe añadir manualmente los datos de comentarios etiquetados a través de la interfaz de usuario de Watson OpenScale tal como se muestra en los ejemplos siguientes, utilizando un cliente Python o API REST.
Precisión sin sesgo
Cuando hay datos que lo respaldan, la precisión se calcula en el modelo original y sin sesgo. IBM Watson OpenScale calcula la precisión de la salida sin sesgo y la almacena en la tabla de registro de carga útil como una columna adicional.
Más información
Revisión de resultados de calidad
Tema principal: Visión general de las métricas de calidad