Dokładność to miara proporcji prawidłowych predykcji w ramach modelu w systemie Watson OpenScale.
Dokładność na pierwszy rzut oka
- Opis: proporcja poprawnych predykcji
- Progi domyślne: Dolny limit = 80%
- Domyślna rekomendacja:
- Trend wzrostowy: trend wzrostowy wskazuje, że pomiar jest udoskonalany. Oznacza to, że przekwalifikowanie modelu jest skuteczne.
- Trend w dół: trend spadkowy wskazuje, że pomiar jest pogarszający się. Dane zwrotne stają się znacznie inne niż dane treningowe.
- Zmienność nieregularna lub nieregularna: odmiana nieregularna lub nieregularna wskazuje, że dane dotyczące sprzężenia zwrotnego nie są spójne między ocenami. Zwiększ minimalną wielkość próbki dla monitora jakości.
- Typy problemów: klasyfikacja binarna i klasyfikacja wieloklasowa
- Wartości wykresu: Ostatnia wartość w przedziale czasu
- Dostępne szczegóły metryk: Macierz konfuzyjna
Dokładność rozumienia
Dokładność może oznaczać różne rzeczy w zależności od typu algorytmu:
Klasyfikacja wieloklasowa: Dokładność mierzy liczbę przypadków, w których każda klasa została poprawnie przewidywana, znormalizowana przez liczbę punktów danych. Więcej szczegółowych informacji na ten temat zawiera sekcja Klasyfikacja wielu klas w dokumentacji Apache Spark .
Klasyfikacja binarna: w przypadku algorytmu klasyfikacji binarnej dokładność jest mierzona jako obszar pod krzywą ROC. Więcej informacji na ten temat zawiera sekcja Klasyfikacja binarna w dokumentacji Apache Spark .
Regresja: algorytmy regresji są mierzone za pomocą funkcji Coefficient of Determination (Współefektywność) lub R2(R2). Więcej szczegółowych informacji na ten temat zawiera sekcja Ocena modelu regresji w dokumentacji Apache Spark .
Wykonaj matematykę
Dokładność jest definiowana jako liczba prawdziwych pozytyw i negatywów, które są podzielone przez sumę prawdziwych pozytyw i negatywów oraz sumy fałszywych alarmów i negatywów.
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)
Jak to działa?
Za pomocą interfejsu użytkownika Watson OpenScale należy dodać ręcznie etykietowane dane zwrotne, tak jak pokazano to w poniższych przykładach, korzystając z klientaPython lub API Rest.
Dokładność obciążana
Jeśli istnieją dane do jego obsługi, dokładność jest obliczana zarówno na oryginalnym, jak i w modelu obciążyonym. IBM Watson OpenScale oblicza dokładność danych wyjściowych obciążonymi danymi i zapisuje je w tabeli dziennika ładunku jako dodatkową kolumnę.
Więcej inform.
Temat nadrzędny: Przegląd wielkości mierzonych dotyczących jakości