Článek
Vytvoř Notebook: Vyber jakýkoli model na Leader Board a klikni Create Notebooks z AutoML UI Models pro opětovné vytvoření modelu z kódu.
Metriky: klikni Metrics pro výběr dodatečných metrik pro zobrazení v Leader Board. Dodatečné metriky jsou:
Pro klasifikaci: https://www.bmc.com/blogs/confusion-precision-recall/
Accuracy: kalkuluje proporci správně klasifikovaných případů - pozitivních anebo negativních. Například, když existuje celkový počet TP (True Positives)+TN (True Negatives) správně klasifikovaných případů z TP+TN+FP+FN (True Positives+True Negatives+False Positives+False Negatives) případů, pak vzorec je: Accuracy = (TP+TN)/(TP+TN+FP+FN)
Balanced Accuracy - vyvážená přesnost: Hodnotí, jak dobrý je binární klasifikátor. Je to zvlášť užitečné když jsou třídy nevyvážené, tj. když se jedna z tříd vyskytuje mnohem častěji než jiná. To je často děje v mnoha nastaveních jako Anomaly Detection atd.
Recall: kalkuluje proporci skutečných Positives které jsou správně klasifikovány. Precision = TP/ (TP + FN)
Precision: kalkulujte proporci předpověděných Positives které jsou True Positive. Precision = TP/(TP + FP)
F1 Score: Kombinuje precision a recall do jednoho čísla. F1-score počítá se použitím harmonic mean - harmonického průměru který se vypočítá vzorcem: F1-score = 2 × (precision × recall)/(precision + recall)
Pro Regresi:
R2 (základ): statistická kalkulace pro monitoring jak blízko k vytvořené regresní linii data jsou. Ve všeobecnosti, čím vyšší je hodnota R-squared - tj. druhá mocnina R, tím lépe model odpovídá datům. Hodnota R2 je vždy mezi 0 a 1, kde:
0 indikuje že model nevysvětluje nic z variability response data - vytvořených dat okolo svého průměru.
1 indikuje že model vysvětluje všechnu variabilitu response data - vytvořených dat okolo svého průměru.
Negative Mean Squared Error: je to průměr rozdílu předpověděného a skutečného cíle na druhou.
Negative Mean Absolute Error: je to průměr absolutního rozdílu předpověděného a skutečného cíle.
Negative Median Absolute Error: je to medián absolutního rozdílu mezi předpověděným a skutečným cílem.
