本文為英文版的機器翻譯版本,如內容有任何歧義或不一致之處,概以英文版為準。
若要了解用來調校您機器學習轉換的度量,建議您先熟悉以下術語:
- 真肯定 (TP)
-
轉換在資料中正確找到的相符項目,有時候稱為「命中」。
- 真否定 (TN)
-
轉換在資料中正確拒絕的不相符項目。
- 假肯定 (FP)
-
轉換在資料中不正確地分類為相符項目的不相符項目,有時候稱為「錯誤警示」。
- 假否定 (FN)
-
轉換在資料中並未找到的相符項目,有時候稱為「未中」。
如需機器學習中所使用術語的詳細資訊,請參閱 Wikipedia 中的 Confusion matrix
若要調校您的機器學習轉換,您可以在轉換的 Advanced properties (進階屬性) 中變更下列度量的值。
-
Precision (精確度) 會測量轉換在識別為肯定 (真肯定和假肯定) 的記錄總數中,找到真肯定的效果有多好。如需詳細資訊,請參閱 Wikipedia 中的 Precision and recall
。 -
Recall (取回率) 會測量從來源資料的所有記錄中,轉換找到真肯定的效果有多好。如需詳細資訊,請參閱 Wikipedia 中的 Precision and recall
。 -
Accuracy (準確性) 會測量轉換找到真肯定和真否定的效果有多好。提高正確性需要更多的機器資源和成本。但也會增加回收率。如需詳細資訊,請參閱 Wikipedia 中的 Accuracy and precision
。 -
Cost (成本) 會測量執行轉換需要使用多少運算資源 (以及因此產生的金錢成本)。