在分析中使用進階指標 - Amazon SageMaker AI
效能

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。

在分析中使用進階指標

下一節說明如何在 Amazon SageMaker Canvas 中尋找和解譯模型的進階指標。

注意

進階指標目前僅適用於數值和分類預測模型。

若要尋找進階指標索引標籤，請執行下列動作：

  1. 開啟 SageMaker Canvas 應用程式。

  2. 在左側導覽窗格中選擇我的模型。

  3. 選擇您建立的模型。

  4. 在頂部導覽窗格中，選擇分析索引標籤。

  5. 在分析索引標籤中，選擇進階指標索引標籤。

在進階指標索引標籤中，您可以找到效能索引標籤。頁面看起來如下螢幕擷取畫面。

類別預測模型進階指標索引標籤的螢幕擷取畫面。

在頂端，您可以看到指標分數的概觀，包括最佳化指標，這是您在建置模型時選取要最佳化的指標 （或預設選取的 Canvas)。

下列各節說明進階指標中效能索引標籤的詳細資訊。

效能

在效能索引標籤中，您會看到指標資料表，以及 Canvas 根據您的模型類型建立的視覺化效果。對於分類預測模型，Canvas 提供混淆矩陣，而對於數值預測模型，Canvas 為您提供殘差和錯誤密度圖表。

在指標表中，您會獲得每個進階指標的模型分數完整清單，這比頁面頂端的分數概觀更為全面。此處顯示的指標取決於您的模型類型。如需協助您了解和解譯每個指標的參考，請參閱 指標參考。

若要了解根據您的模型類型可能顯示的視覺化效果，請參閱下列選項：

  • 混淆矩陣 – Canvas 使用混淆矩陣，協助您在模型正確進行預測時視覺化。在混淆矩陣中，您的結果會被加以排列，以比較預測值與實際值。下列範例解釋混淆矩陣如何在預測正面和負面標籤的 2 類別預測模型中運作：

    • 相符 - 當真標籤為正數時，模型正確地預測正值。

    • 不相符 — 當真標籤為負值時，模型正確地預測負值。

    • 誤報 - 當真標籤為負值時，模型錯誤地預測正數。

    • 漏報 - 當真標籤為正數時，模型錯誤地預測負值。

  • 精準召回曲線 – 精準召回曲線是針對模型召回分數繪製的模型精準分數視覺化。一般而言，可以進行完美預測的模型，其精確度和召回分數都會是 1。精確且精確模型的精確度回收曲線在精確度和回收方面都相當高。

  • 殘差 – 殘差是實際值與模型預測的值之間的差異。殘差圖表會根據對應的值繪製殘差，以視覺化其分佈和任何模式或極端值。零左右的殘差常態分佈表示模型非常適合資料。不過，如果殘差明顯偏斜或有極端值，可能表示模型過度擬合資料，或有其他需要解決的問題。

  • 錯誤密度 – 錯誤密度圖是模型所產生錯誤分佈的表示。它會顯示每個點的錯誤機率密度，協助您識別模型可能過度擬合或產生系統錯誤的任何區域。