Maschinell übersetztes Thema Sie können zur englischen Version wechseln.

Die genaueste und aktuellste Version dieser Dokumentation finden Sie in der englischen (ursprünglichen) Version. IBM haftet nicht für Schäden oder Verluste, die durch die Verwendung automatisch (maschinell) übersetzter Inhalte entstehen.

Watson OpenScale -Qualitätsmetriken

Letzte Aktualisierung: 07. Okt. 2024

Wenn Sie Qualitätsbewertungen in Watson OpenScaleaktivieren, können Sie Metriken generieren, mit deren Hilfe Sie ermitteln können, wie gut Ihr Modell Ergebnisse vorhersagt.

Sie können die Ergebnisse Ihrer Qualitätsbewertungen im Dashboard 'Einblicke' in Watson OpenScaleanzeigen. Um Ergebnisse anzuzeigen, können Sie eine Kachel für die Modellbereitstellung auswählen und auf den Pfeil im Bewertungsabschnitt Qualität klicken, um eine Zusammenfassung der Qualitätsmetriken Ihrer letzten Bewertung anzuzeigen. Weitere Informationen finden Sie unter Qualitätsergebnisse überprüfen.

Qualitätsmetriken werden mit manuell gekennzeichneten Feedbackdaten und überwachten Implementierungsantworten berechnet. Weitere Informationen finden Sie unter Feedbackdaten verwalten.

Unterstützte Qualitätsmetriken

Die folgenden Qualitätsmetriken werden von Watson OpenScale unterstützt:

Probleme bei der Binärklassifikation

Für binäre Modelle wird von Watson OpenScale überwacht, wann die Qualität des Modells unter einen akzeptablen Schwellenwert absinkt. Bei binären Klassifikationsmodellen wird der Score Fläche unter ROC überprüft. Dieser Score misst die Fähigkeit des Modells, zwischen zwei Klassen zu unterscheiden. Die Modelle mit höheren Scores für Fläche unter ROC können besser die Klasse A als Klasse A und die Klasse B als Klasse B erkennen. Die folgenden Metriken messen binäre Klassifikationsprobleme:

Probleme bei der Regressionsklassifikation

Bei Regressionsmodellen verfolgt Watson OpenScale , wann die Qualität des Modells unter ein akzeptables Niveau fällt, und überprüft den Score R-Quadrat . Der Score R-Quadrat misst die Korrelation zwischen vorhergesagten Werten und tatsächlichen Werten. Modelle mit höheren R-Quadrat-Scores passen beispielsweise besser an die tatsächlichen Werte. Die folgenden Metriken messen Klassifikationsprobleme bei Regressionsmodellen:

Klassifikationsprobleme mit mehreren Klassen

Bei Modellen mit mehreren Klassifizierungen verfolgt Watson OpenScale , wann die Qualität des Modells unter einen akzeptablen Wert fällt, und überprüft den Score für Genauigkeit , der den Prozentsatz genauer Vorhersagen angibt. Die folgenden Metriken messen Probleme bei der Klassifizierung mehrerer Klassen:

Hinweis:

Nachdem Watson OpenScale Probleme mit Bezug auf die Qualität (z. B. Verstöße gegen den Schwellenwert für Genauigkeit) erkannt hat, müssen Sie eine neue Modellversion erstellen, die das Problem behebt. Mithilfe der manuell beschrifteten Daten in der Feedbacktabelle müssen Sie das Modell zusammen mit den ursprünglichen Trainingsdaten erneut trainieren.