As traduções são geradas por tradução automática. Em caso de conflito entre o conteúdo da tradução e da versão original em inglês, a versão em inglês prevalecerá.
Medições de machine learning
Para compreender as medições que são usadas para ajustar a transformação de machine learning, você deve estar familiarizado com a seguinte terminologia:
- Verdadeiro positivo (TP)
-
Uma correspondência nos dados que a transformação encontrou corretamente, também denominada como um acerto.
- Verdadeiro negativo (TN)
-
Uma falta de correspondência nos dados que a transformação rejeitou corretamente.
- Falsos positivo (FP)
-
Uma falta de correspondência nos dados que a transformação classificou incorretamente como correspondente, também denominada como um alarme falso.
- Falso negativo (FN)
-
Uma correspondência nos dados que a transformação não detectou, também denominada como um erro.
Para obter mais informações sobre a terminologia de machine learning, consulte Confusion matrix (em inglês)
Para ajustar as transformações de machine learning, você pode alterar o valor das seguintes medidas nas Advanced properties (Propriedades avançadas) da transformação.
-
Precision (Precisão) mede o quão bem a transformação encontra verdadeiros positivos entre o número total de registros que identifica como positivos (verdadeiros positivos e falsos positivos). Para obter mais informações, consulte Precisão e revocação
na Wikipédia. -
A revocação mede quão bem a transformação encontra verdadeiros positivos do total de registros nos dados de origem. Para obter mais informações, consulte Precisão e revocação
na Wikipédia. -
A acurácia mede quão bem a transformação encontra verdadeiros positivos e verdadeiros negativos. Aumentar a acurácia exige mais recursos de máquina e eleva os custos. Mas isso também resulta em um aumento da revocação. Para obter mais informações, consulte Accuracy and precision (em inglês)
na Wikipédia. -
O custo mede quantos recursos de computação (logo, dinheiro) são consumidos para executar a transformação.
