指標參考

InferenceLatency – 從請求模型預測到從部署模型的即時端點接收模型的大約時間。此指標以秒為單位，僅適用於使用內嵌模式建置的模型。

MAE – 平均絕對錯誤。平均而言，目標欄的預測為實際值的 +/- {MAE}。

測量預測值和實際值在所有值上進行平均時的差異。MAE 常用於數值預測，以了解模型預測錯誤。如果預測是線性的， MAE代表預測線到實際值的平均距離。MAE 定義為絕對錯誤除以觀察次數的總和。其數值範圍從 0 到無限大，數字越小，表示模型越適合資料。

MAPE – 平均絕對百分比錯誤。平均而言，目標欄的預測與實際值相差 +/- {MAPE} %。

MAPE 是實際值與預測或預估值之間的絕對差異平均值，除以實際值並以百分比表示。較低的 MAPE表示效能更好，因為它表示預測或估算的值更接近實際值。

MSE – 平均平方錯誤，或預測值和實際值之間的平方差異平均值。

MSE 值一律為正數。模型在預測實際值方面越好，MSE值越小。

R2 - 目標欄中的差異百分比，可由輸入目標欄說明。

量化模型可以解釋相依變數差異的程度。數值的範圍從一 (1) 到負一 (-1)。較高的數字表示解釋變異性的比例較高。接近零 （0） 的值表示模型可以解釋極少的相依變數。負值表示擬合度不佳，且模型的表現優於常數函數 （或水平線）。

RMSE – 根平均平方錯誤，或錯誤的標準差。

測量預測值和實際值之間的平方差異，並對所有值進行平均。它用於了解模型預測錯誤，並且是表示存在大型模型錯誤和異常值的重要指標。其數值範圍從零 (0) 到無限大，數字越小，表示模型越適合資料。RMSE 取決於規模，不應用於比較不同類型的資料集。

準確性 - 正確預測的百分比。

或者，正確預測的項目數量與預測總數的比率。準確性衡量預測的類別值與實際值的接近程度。準確性指標的值在零 (0) 和一 (1) 之間變化。值 1 表示完美準確度，0 表示完全不正確。

AUC – 介於 0 和 1 之間的值，表示模型在分隔資料集中的類別的能力。值 1 表示它能夠完美地分隔類別。

BalancedAccuracy – 測量準確預測對所有預測的比率。

這個比率是把真陽性 (TP) 和真陰性 (TN)，按照陽性 (P) 和陰性 (N) 的總數標準化之後計算出來的。其定義如下：0.5*((TP/P)+(TN/N))，值範圍介於 0 到 1 之間。當不平衡的資料集中的正負數彼此之間有很大差異時，例如只有 1% 的電子郵件是垃圾郵件時，平衡的準確度指標可以提供更好的準確度測量。

F1 - 準確度的平衡衡量，其會考慮類別平衡。

這是精確度和召回分數的諧波平均值，定義如下：F1 = 2 * (precision * recall) / (precision + recall)。F1 評分在 0 和 1 之間變化。評分 1 表示效能已達可能性的上限，0 表示最差。

InferenceLatency – 從請求模型預測到從部署模型的即時端點接收模型的大約時間。此指標以秒為單位，僅適用於使用 Ensembling 模式建置的模型。

LogLoss – 日誌遺失，也稱為跨熵遺失，是用來評估機率輸出品質的指標，而不是輸出本身。對數損失是一項重要指標，能指出模型何時有高機率發生錯誤預測。其數值介於 0 到無限大之間。如數值為 0，代表完美預測資料的模型。

精確度 – 在預測 {category x} 的所有時間內，預測在 {precision}% 的時間內都是正確的。

精確度衡量演算法在所有找到的陽性結果中，預測出真陽性 (TP) 的成效。其定義如下：Precision = TP/(TP+FP)，值範圍從零 （0） 到一 （1）。當假陽性的成本高時，精確度是一個重要的指標。舉例來說，一個飛機安全系統被錯誤地判定為可安全飛行，這個假陽性的成本就非常高。假陽性 (FP) 反映了資料中實際上是陰性的陽性預測。

召回：當 {target_column} 實際上是 {category x} 時，模型正確預測 {recall}% 為 {category x}。

召回率衡量演算法在資料集內，正確預測所有的真陽性 (TP) 的表現。真陽性代表其為一個陽性預測，同時也是資料中的實際陽性。召回定義如下：Recall = TP/(TP+FN)，值範圍從 0 到 1。分數越高，代表模型在資料中預測出真陽性 (TP) 的能力越好。請注意，通常不足以僅測量召回，因為預測每個輸出為真陽性會產生完美的召回分數。

準確性 - 正確預測的百分比。

或者，正確預測的項目數量與預測總數的比率。準確性衡量預測的類別值與實際值的接近程度。準確性指標的值在零 (0) 和一 (1) 之間變化。值 1 表示完美準確度，0 表示完全不正確。

BalancedAccuracy – 測量準確預測對所有預測的比率。

這個比率是把真陽性 (TP) 和真陰性 (TN)，按照陽性 (P) 和陰性 (N) 的總數標準化之後計算出來的。其定義如下：0.5*((TP/P)+(TN/N))，值範圍介於 0 到 1 之間。當不平衡的資料集中的正負數彼此之間有很大差異時，例如只有 1% 的電子郵件是垃圾郵件時，平衡的準確度指標可以提供更好的準確度測量。

F1macro – F1macro 分數會計算精確度和召回來套用 F1 分數，然後以諧波平均值計算每個類別的 F1 分數。然後，F1macro 會平均個別分數以取得 F1macro 分數。F1macro 分數介於 0 和 1 之間。評分 1 表示效能已達可能性的上限，0 表示最差。

InferenceLatency – 從請求模型預測到從部署模型的即時端點接收模型的大約時間。此指標以秒為單位，僅適用於使用內嵌模式建置的模型。

LogLoss – 日誌遺失，也稱為跨熵遺失，是用來評估機率輸出品質的指標，而不是輸出本身。對數損失是一項重要指標，能指出模型何時有高機率發生錯誤預測。其數值介於 0 到無限大之間。如數值為 0，代表完美預測資料的模型。

PrecisionMacro – 透過計算每個類別的精確度和平均分數來測量精確度，以取得數個類別的精確度。分數範圍從零 （0） 到一 （1）。分數高表示這個模型在所有找到的陽性結果中，預測出真陽性 (TP) 的成效顯著，而且是在好幾個類別裡平均算出來的。

RecallMacro – 透過計算每個類別的召回和平均分數來測量召回，以取得多個類別的召回。分數範圍從 0 到 1。分數越高，就表示這模型預測出資料集裡的真陽性 (TP) 能力越強。真陽性指的是其預測是陽性，而在資料裡實際上也是陽性。通常只測量召回率是不夠的, 因為只要預測每個輸出都是真陽性，就能獲得完美的召回率分數。

準確性 - 正確預測的百分比。

或者，正確預測的項目數量與預測總數的比率。準確性衡量預測的類別值與實際值的接近程度。準確性指標的值在零 (0) 和一 (1) 之間變化。值 1 表示完美準確度，0 表示完全不正確。

F1 - 準確度的平衡衡量，其會考慮類別平衡。

這是精確度和召回分數的諧波平均值，定義如下：F1 = 2 * (precision * recall) / (precision + recall)。F1 評分在 0 和 1 之間變化。評分 1 表示效能已達可能性的上限，0 表示最差。

精確度 – 在預測 {category x} 的所有時間內，預測在 {precision}% 的時間內都是正確的。

精確度衡量演算法在所有找到的陽性結果中，預測出真陽性 (TP) 的成效。其定義如下：Precision = TP/(TP+FP)，值範圍從零 （0） 到一 （1）。當假陽性的成本高時，精確度是一個重要的指標。舉例來說，一個飛機安全系統被錯誤地判定為可安全飛行，這個假陽性的成本就非常高。假陽性 (FP) 反映了資料中實際上是陰性的陽性預測。

召回：當 {target_column} 實際上是 {category x} 時，模型正確預測 {recall}% 為 {category x}。

召回率衡量演算法在資料集內，正確預測所有的真陽性 (TP) 的表現。真陽性代表其為一個陽性預測，同時也是資料中的實際陽性。召回定義如下：Recall = TP/(TP+FN)，值範圍從 0 到 1。分數越高，代表模型在資料中預測出真陽性 (TP) 的能力越好。請注意，通常不足以僅測量召回，因為預測每個輸出為真陽性會產生完美的召回分數。

平均加權分位數損失 (WQL) - 透過平均 P10、P50 和 P90 分位數的準確度來評估預測。較低的值表示較精確的模型。

加權絕對百分比錯誤 （WAPE） – 由絕對目標的總和標準化的絕對錯誤總和，可測量預測值與觀察值的整體偏差。較低的值表示更準確的模型，其中 WAPE = 0 是沒有錯誤的模型。

Root Mean Square Error （RMSE） – 平均平方錯誤的平方根。較低的 RMSE表示更準確的模型，其中 RMSE = 0 是沒有錯誤的模型。

平均絕對百分比錯誤 （MAPE） – 在所有時間點上平均的誤差百分比 （平均預測值與實際值的百分比差異）。較低的值表示更準確的模型，其中 MAPE = 0 是沒有錯誤的模型。

平均絕對擴展錯誤 （MASE） – 由簡單基準預測方法的平均絕對錯誤標準化的預測平均絕對錯誤。較低的值表示更準確的模型，其中 MASE < 1 估計比基準更好，MASE> 1 估計比基準差。