Watson OpenScale' de kalite değerlendirmelerini etkinleştirdiğinizde, modelinizin sonuçları ne kadar iyi tahmin ettiğini belirlemenize yardımcı olacak metrikler oluşturabilirsiniz.
Kalite değerlendirmelerinizin sonuçlarını Watson OpenScaleiçindeki Insights gösterge panosunda görüntüleyebilirsiniz. Sonuçları görüntülemek için, bir model devreye alma döşemesi seçebilir ve son değerlendirmenizdeki kalite ölçümlerinin bir özetini görüntülemek için Kalite değerlendirme bölümünde 
okunu tıklatabilirsiniz. Daha fazla bilgi için Kalite sonuçlarını gözden geçirmebaşlıklı konuya bakın.
Kalite ölçümleri, manuel olarak etiketlenen geribildirim verileri ve izlenen devreye alma yanıtları ile hesaplanır. Daha fazla bilgi için Geribildirim verilerini yönetmebaşlıklı konuya bakın.
Desteklenen kalite ölçümleri
Aşağıdaki kalite ölçümleri Watson OpenScaletarafından desteklenir:
İkili sınıflandırma sorunları
İkili modeller için Watson OpenScale , modelin kalitesinin kabul edilebilir bir düzeyin altına düştüğünü izler. İkili sınıflandırma modelleri için, modelin iki sınıf arasında ayrım yapma yeteneğini ölçen ROC altındaki alan puanını denetler. Örneğin, Alan ROC altında puanları daha yüksek olan modeller A sınıfını B sınıfı olarak tanımlamada daha iyidir. Aşağıdaki metrikler ikili sınıflandırma sorunlarını ölçer:
Regresyon sınıflandırma sorunları
Regresyon modelleri için Watson OpenScale , modelin kalitesi kabul edilebilir bir düzeyin altına düştüğünde izler ve R-kare puanını denetler. R-kare puanı, tahmin edilen değerler ile gerçek değerler arasındaki ilintiyi ölçer. Örneğin, daha yüksek R karesi puanları olan modeller, gerçek değerlere daha uygun olur. Aşağıdaki metrikler regresyon sınıflandırması sorunlarını ölçer:
Çok sınıflı sınıflandırma sorunları
Çoklu sınıflandırma modelleri için Watson OpenScale , modelin kalitesinin kabul edilebilir bir düzeye düştüğünü izler ve doğru tahminlerin yüzdesini sağlayan Doğruluk puanını denetler. Aşağıdaki ölçümler çok katmanlı sınıflandırma sorunlarını ölçer:
- Doğruluk
- Ağırlıklı Gerçek Pozitif Hız (wTPR)
- Ağırlıklı Yanlış Pozitif Oranı (wFPR)
- Ağırlıklı geri çağırma
- Ağırlıklı duyarlık
- Ağırlıklı F1-Measure
- Logaritmik kayıp
Watson OpenScale , doğruluk eşiği ihlalleri gibi kaliteyle ilgili sorunları algıladıktan sonra, modelin sorunu düzelten yeni bir sürümünü oluşturmanız gerekir. Geribildirim tablosundaki el ile etiketlenmiş verileri kullanarak, modeli özgün eğitim verileriyle birlikte yeniden eğitmeniz gerekir.