Precisión

Exactitud es una medida de la proporción de predicciones correctas que contiene el modelo.

Detalles de la exactitud

  • 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 opinión son ligeramente diferentes a los datos de entrenamiento.
    • Variación errática o irregular: Una variación errática o irregular indica que los datos de opinión 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 Exactitud

La exactitud puede indicar distintos aspectos en función del tipo de algoritmo:

  • Clasificación multiclase: La precisión mide el número de veces que cualquier clase se ha pronosticado correctamente, normalizada por el número de puntos de datos. Para obtener más detalles, consulte Clasificación multiclase 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. Para obtener más detalles, consulte Clasificación binaria en la documentación de Apache Spark.

  • 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 calcularlo

La precisión se define como el número de verdaderos positivos y negativos dividido entre la suma de 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 los datos de opinión etiquetados manualmente mediante la interfaz de usuario de Watson OpenScale, como se muestra en los ejemplos siguientes, utilizando un Cliente Python o una API REST.

Precisión sin sesgo

Cuando existen datos que la admiten, la precisión se calcula en el modelo original y en el modelo 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.