Doğruluk, Watson OpenScaleiçindeki modeliniz içindeki doğru tahminlerin oranının ölçüsüdür.
Bir bakışta doğruluk
- Açıklama: Doğru öngörülerin oranı
- Varsayılan eşikler: Alt sınır = %80
- Varsayılan öneri:
- Yukarı doğru eğilim: Yukarı doğru eğilim, metriğin gelişmekte olduğunu gösterir. Bu, model yeniden eğitiminin etkili olduğu anlamına gelir.
- Aşağı doğru eğilim: Aşağı doğru eğilim, metriğin kötüye gittiğini gösterir. Geri bildirim verileri, eğitim verilerinden önemli ölçüde farklı hale geliyor.
- Erratik ya da düzensiz varyasyon: Düzensiz ya da düzensiz bir varyasyon, geribildirim verilerinin değerlendirmeler arasında tutarlı olmadığını gösterir. Kalite izleme programı için örnek büyüklüğü alt sınırını artırın.
- Sorun tipleri: İkili sınıflandırma ve çok lass sınıflandırması
- Grafik değerleri: Zaman çerçevesindeki son değer
- Ölçüm ayrıntıları var: Konfüzyon matrisi
Doğruluğun Anlaşılması
Doğruluk, algoritmanın tipine bağlı olarak farklı şeyler anlamına gelebilir:
Çok sınıflı sınıflandırma: Doğruluk, herhangi bir sınıfın veri noktası sayısına göre normalleştirilmiş olarak doğru tahmin edilmesinin sayısını ölçer. Daha fazla ayrıntı için Apache Spark belgelerinde Çok sınıflı sınıflandırma konusuna bakın.
İkili sınıflandırma: İkili sınıflandırma algoritması için doğruluk, ROC eğrisi altındaki alan olarak ölçülür. Daha fazla ayrıntı için Apache Spark belgesinde İkili sınıflandırma konusuna bakın.
Regresyon: Regresyon algoritmaları, Belirleme Katsayısı ya da R2kullanılarak ölçülür. Daha fazla ayrıntı için Apache Spark belgelerinde Regresyon modeli değerlendirmesi başlıklı konuya bakın.
Matematiği yap.
Doğruluk, gerçek pozitiflerin ve negatiflerin toplamı ile yanlış pozitiflerin ve negatiflerin toplamı ile bölünen gerçek pozitiflerin ve negatiflerin sayısı olarak tanımlanır.
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)
Nasıl çalışır
Bir Python istemcisi ya da Rest APIkullanarak, aşağıdaki örneklerde gösterildiği gibi Watson OpenScale UI aracılığıyla el ile etiketlenmiş geribildirim verileri eklemeniz gerekir.
Tarafsız doğruluk
Bunu destekleyecek veriler olduğunda, doğruluk hem orijinal hem de tarafsız modelde hesaplanır. IBM Watson OpenScale , tarafsız çıkışın doğruluğunu hesaplar ve bunu ek bir sütun olarak bilgi yükü günlük kaydı tablosunda saklar.
Daha fazla bilgi
Kalite sonuçlarının gözden geçirilmesi
Üst konu: Kalite metriklerine genel bakış