CalibratedBinaryClassificationMetrics Sınıf

Test kümesindeki doğru tahminlerin oranı olan sınıflandırıcının doğruluğunu alır.

Sınıflandırıcının duyarlık/yakalama eğrisi altındaki alanı alır.

ROC eğrisinin altındaki alanı alır.

İki veri sınıfı için gerçek pozitiflerin, gerçek negatiflerin, hatalı pozitiflerin ve hatalı negatiflerin sayısını veren karışıklık matrisi .

Test kümesindeki pozitif ve negatif örneklerin oranına göre önceki günlük kaybı olan test kümesi entropisini alır. Sınıflandırıcının LogLoss entropi değerinden düşük olması, sınıflandırıcının pozitif örneklerin oranını her örnek için olasılık olarak tahmin etmekten daha iyi olduğunu gösterir.

Sınıflandırıcının F1 puanını alır. Bu, sınıflandırıcının hem duyarlığı hem de yakalamayı dikkate alan kalitesinin bir ölçüsüdür.

Sınıflandırıcının günlük kaybını alır. Günlük kaybı, bir sınıflandırıcının performansını, tahmin edilen olasılıkların gerçek sınıf etiketinden ne kadar farklı olduğuyla ilgili olarak ölçer. Düşük günlük kaybı daha iyi bir model olduğunu gösterir. Gerçek sınıf için 1 olasılığını tahmin eden mükemmel bir modelde günlük kaybı 0 olur.

Sınıflandırıcının günlük kaybı azaltmasını (göreli günlük kaybı veya bilgi kazancındaki azalma - RIG olarak da bilinir) alır. Rastgele tahminler sunan bir modelde bir modelin ne kadar geliştirildiğini gösteren bir ölçü sağlar. 1'e yakın günlük kaybı azaltması daha iyi bir model olduğunu gösterir.

Tüm negatif tahminler arasında doğru tahmin edilen negatif örneklerin oranı olan bir sınıflandırıcının negatif duyarlığı (negatif olarak tahmin edilen negatif örneklerin sayısı, negatif olarak tahmin edilen toplam örnek sayısına bölünür).

Tüm negatif örnekler arasında doğru tahmin edilen negatif örneklerin oranı olan bir sınıflandırıcının negatif geri çağırmasını alır (örneğin, negatif olarak tahmin edilen negatif örneklerin sayısı, toplam negatif örnek sayısına bölünür).

Tüm pozitif tahminler arasında doğru tahmin edilen pozitif örneklerin oranı olan bir sınıflandırıcının pozitif duyarlığı (pozitif olarak tahmin edilen pozitif örneklerin sayısı, pozitif olarak tahmin edilen toplam örnek sayısına bölünür).

Tüm pozitif örnekler arasında doğru tahmin edilen pozitif örneklerin oranı olan bir sınıflandırıcının pozitif geri çağırmasını alır (örneğin, pozitif olarak tahmin edilen pozitif örneklerin sayısı, toplam pozitif örnek sayısına bölünür).