機器學習度量 - AWS Glue

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。

機器學習度量

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)。