Lorsque vous activez les évaluations de qualité dans Watson OpenScale, vous pouvez générer des métriques qui vous aident à déterminer dans quelle mesure votre modèle prévoit les résultats.
Vous pouvez afficher les résultats de vos évaluations de qualité sur le tableau de bord Insights dans Watson OpenScale. Pour afficher les résultats, vous pouvez sélectionner une vignette de déploiement de modèle et cliquer sur la flèche 
dans la section d'évaluation Qualité pour afficher un récapitulatif des métriques de qualité de votre dernière évaluation. Pour plus d'informations, voir Examen des résultats de qualité.
Les indicateurs de qualité sont calculées à l'aide des données de rétroaction et des réponses de déploiement surveillées manuellement. Pour plus d'informations, voir Gestion des données de retour.
Métriques de qualité prises en charge
Les métriques de qualité suivantes sont prises en charge par Watson OpenScale :
Problèmes de classification binaire
Pour les modèles binaires, Watson OpenScale effectue un suivi quand la qualité du modèle tombe en deçà d'un niveau acceptable. Pour les modèles de classification binaires, il vérifie le score Zone sous ROC, qui mesure la capacité du modèle à distinguer deux classes. Par exemple, les modèles dont les scores Zone sous ROC sont élevés sont meilleurs pour identifier la classe A comme classe A et la classe B comme classe B. Les mesures suivantes mesurent les problèmes de classification binaires :
Problèmes de classification de régression
Pour les modèles de régression, Watson OpenScale suit quand la qualité du modèle tombe en dessous d'un niveau acceptable et vérifie le score R-deux . Le score R-deux mesure la corrélation entre les valeurs prédites et les valeurs réelles. Par exemple, les modèles dont les scores R-deux sont plus élevés sont mieux adaptés aux valeurs réelles. Les mesures suivantes mesurent les problèmes de classification de régression :
Problèmes de classification multiclasse
Pour les modèles à classification multiple, Watson OpenScale suit quand la qualité du modèle tombe sous un niveau acceptable et vérifie le score Exactitude qui fournit le pourcentage de prévisions précises. Les métriques suivantes permettent de mesurer les problèmes de classification multiclasse:
- exactitude
- Taux positif réel pondéré (wTPR)
- Taux de faux positifs pondéré (wFPR)
- Rappel pondéré
- Précision pondérée
- Mesure F1 pondérée
- Perte logarithmique
Lorsque Watson OpenScale a détecté des problèmes de qualité, par exemple des dépassements de seuil d'exactitude, vous devez construire une nouvelle version du modèle qui corrige le problème. A l'aide des données libellées manuellement dans la table de commentaires, vous devez entraîner à nouveau le modèle avec les données d'apprentissage d'origine.
En savoir plus
Examen des résultats d'évaluation
Rubrique parent: Configuration des évaluations de qualité