腾讯云TI-ONE训练平台模型评估_AI解决方案_同尘科技

TI 平台内置多种模型评估可视化组件，您可快速辨别模型的质量，并对该模型进行优化。您只需拖拽组件即可轻松使用本服务。

分类任务评估

原理

算法说明

用于评估多分类算法的预测结果。样本的预测结果是模型预测的类别；模块将会统计类别真实类列和预测类别的混淆矩阵和各个类别的 precision ，recall ，f1 值等指标。

参数配置

算法 IO 参数*输入文件类型：格式包括以下两种：csv ：csv 文件*输入数据是否包含 header 信息：默认为“是”。*输入数据分隔符：数据分隔符，默认为逗号，可下拉选择其他分隔符。parquet ：列式存储格式 parquet*输出文件类型：格式包括以下两种：csv ：csv 文件*输出数据是否包含 header 信息：默认为“是”。*输出数据分隔符：数据分隔符，默认为逗号，可下拉选择其他分隔符。parquet ：列式存储格式 parquet*标签列：标签所在列，从 0 开始计数。*预测概率列：预测标签所在列，从 0 开始计数。默认阈值：0-1 ，用于计算二分类问题周期性评估任务曲线。

Demo

输入数据示例

示例第一行为列名，之后的每一行为一条数据，第一列为真实的标签值，第二列为预测的标签值，其他列分别为数据特征和预测标签的概率，在这里可以忽略。

label,prediction,feature0,feature1,feature2,feature3,rawPrediction_0,rawPrediction_1,rawPrediction_2,probability_0,probability_1,probability_20,0.0,0.09547202089091267,0.12111200748218809,0.5738027311850421,0.654198289398195,6962.3957222206955,6961.230149684578,-13923.625871905275,0.7623437986568046,0.23765620134319534,0.01,1.0,0.6924842689344346,0.19439351152458817,0.3865684471963985,0.05321081575861153,14559.769644816764,14561.096149835037,-29120.8657946518,0.20973806381803564,0.7902619361819644,0.01,0.0,0.1260138620446597,0.22531380638758647,0.27173232478331544,0.44527904338745505,3205.8640710060827,3204.6232766493904,-6410.487347655475,0.7757022532816622,0.2242977467183377,0.00,0.0,0.13552828947855777,0.11437834164884886,0.037622999099831356,0.446756106478003,3.88169180299883,3.8664494357453805,-7.748141238742392,0.5038082598503858,0.4961872579316907,4.482217923473792E-62,2.0,0.9951267080505962,0.11072028554133828,0.4416440438291308,0.6552665738557973,-22.851788751519052,-52.73205965202396,75.58384840354847,1.778058153258636E-43,1.8754659816536433E-56,1.02,2.0,0.9648636259413398,0.8613232380642487,0.41047831835183646,0.04463912445900797,-11.080601389732692,-45.04951676717792,56.130118156906974,6.467782041560008E-30,1.1435176479688408E-44,1.00,0.0,0.385948217112114,0.471848572566956,0.33316630259891533,0.02457996643849114,9604.141034014887,9603.838297893002,-19207.97933190788,0.5751112479212738,0.4248887520787261,0.00,0.0,0.9852449282177246,0.8701088950377484,0.5569803066340037,0.1593728469317075,32.35928938997313,-5.690191450650673,-26.669097939320636,1.0,2.987586110005293E-17,2.3136470488510858E-262,2.0,0.04674680837534573,0.7910466832389871,0.2687363670218692,0.13139448537973175,-3.6782648976204655,-12.380068154261608,16.058333051882073,2.6822818927494374E-9,4.460250810978383E-13,0.99999999731727221,1.0,0.06383723715979805,0.4067189108549871,0.027643799693260473,0.1785896467546867,1150.9454633295954,1152.508898817241,-2303.454362146833,0.17315422948476655,0.8268457705152336,0.0

参数配置

算法 IO 参数：*输入文件类型：csv*输入数据包含 header 信息：是*输入文件分隔符：逗号*输出文件类型：csv*输出数据包含 header 信息：是*输出文件分隔符：逗号*标签列：0*预测概率列：probability_0,probability_1,probability_2

输出数据示例



评估报告







回归任务评估

原理

算法说明

此算子绘制回归预测和实际标记的分布图，以及实际标签和回归预测的散点图，实际标记与残差的散点图，残差的分布图。

参数配置

算法 IO 参数*输入数据是否包含 header 信息：默认为“是”。*输入数据分隔符：数据分隔符，默认为逗号，可下拉选择其他分隔符。*输出文件类型：格式包括以下两种：csv ：csv 文件：*输出数据是否包含 header 信息：默认为“是”。*输出数据分隔符：数据分隔符，默认为逗号，可下拉选择其他分隔符。parquet ：列式存储格式 parquet算法参数*标签列：标签所在列，样本真实的 label ，从 0 开始计数。*预测列：预测标签值所在列，从 0 开始计数。*采样比例：采样数据比例。*组数：直方图划分组数。

Demo

输入数据示例

示例第一行为列名，之后的每一行为一条数据，第一列是真实标记列，第二列是预测标记。

label,prediction-0.29189646,1.1431737-0.9390533000000001,-0.129784750.047904222999999996,0.52395946-0.43790194,0.15547183-4.289253700000001,-1.1407472-1.6920289000000002,0.6667797-0.10317913,0.038158763-1.288035,-0.25880423-0.4803840999999999,-0.48202756-0.14766432,-0.104666084-0.51906985,0.61765961.5173593,-0.5719963-0.010201794,0.419270341.4968860000000002,0.15863535-0.801447,-0.241616820.2854233,-0.74392310.2580007,-0.75038670.4499589,-0.70514140.24270661,-0.71621689999999991.4515356000000001,1.05853431.4087246999999998,1.53138850.9995582000000001,0.52330685-1.4701016000000002,-2.2821941.5083481,0.259723751.4439633,0.293092851.6061385,-1.6601986-1.9190398000000002,0.497348221.488502,-0.0494887340000000061.357133,-0.302448151.4627463,0.90555143-6.7710967,-7.358083199999999-6.079337000000001,2.581851-10.691196000000001,-2.0419738-10.733854,-1.6389601000000003-9.177166,-0.8716885-9.252307,-0.50236221.8851502,0.7534046-6.2102575,-3.5995402000000003-6.7633342999999995,-3.8117585-5.2493050000000006,-2.6414731.8288779999999998,-1.06453839999999980.049525507,-0.33277115-6.6080685,-2.6024778-6.5905504,-3.0284524-9.057993,-1.07311652.2609253,-0.59490085-11.736728999999999,-2.442354-11.543498,-2.6892840000000002-7.678667999999999,-4.4781365-7.0199017999999995,-4.649864-7.5061693,-3.694516-7.417712,-3.652802-9.405422999999999,-7.5523424-10.924187,-2.379421-10.860698,-2.36085681.1194612,0.19827905-3.7380233,-2.01354271.477666,0.61039461.3601676,-0.463096831.3088481,-0.318488271.8129601000000002,-1.29460554.7582073,0.73426911.1287214,-1.12115260000000031.5914504999999999,0.91885219999999991.4106014,1.01434111.7658651,0.80634195-19.214325,-10.266608999999999-9.634689,-0.663203951.9330133000000003,-0.59707016-14.690729000000001,-12.227189-0.21762909,-0.07037365400000001-18.822086,-10.031096-9.440375,-1.23395821.8040966,0.725997751.5690169,0.19609527-8.138695,-6.6535945000000005-7.8409424,-6.777069-6.2206054,-3.07509179999999961.5675681000000001,0.7012584-18.493773,-10.6294981.8777127,-0.74100286-13.883779,-11.911483-18.049997,-9.723564999999999-17.721638000000002,-10.322017-17.475922,-10.2222031.361528,0.299519720.8827370000000001,-0.074246414000000011.1630235,0.54275492.0388486,0.7824057

参数配置

算法 IO 参数*输入数据包含 header 信息：是*输入数据分隔符：逗号*输出文件类型：csv*输入数据包含 header 信息：是*输出数据分隔符：逗号算法参数*标签列：0*预测列：1*采样比例：0.8* 组数：100

输出数据



评估报告




聚类任务评估

原理

算法说明

此算子可以通过多种评价指标对聚类任务进行评估，包括调整兰德系数，调整互信息指数，标准化互信息指数，互信息指数，V-measure ，轮廓系数，CH_score ，戴维森堡丁指数（DBI）。其中调整兰德系数，调整互信息指数，标准化互信息指数，互信息指数，V-measure 这五种指标需要数据中包含真实标签，而轮廓系数，CH_score ，戴维森堡丁指数（DBI）不需要给定真实标签。

参数配置

算法 IO 参数*输入文件类型：格式包括以下两种：csv ：csv 文件*输入数据是否包含 header 信息：默认为“是”。*输入数据分隔符：数据分隔符，默认为逗号，可下拉选择其他分隔符。parquet ：列式存储格式 parquet*输出文件类型：格式包括以下两种：csv ：csv 文件*输出数据是否包含 header 信息：默认为“是”。*输出数据分隔符：数据分隔符，默认为逗号，可下拉选择其他分隔符。parquet ：列式存储格式 parquet*预测标签列：预测标签值所在列，从 0 开始计数，也可以使用列名选择。*特征列：特征值所在列，从 0 开始编号，可填形式如 a-b、c 或者它们的混合，用英文逗号分割（例如 0-10,15,17-19 表示第 0 到 10 列、15 、17 到 19 列总共 15 列），也可以使用列名选择。标签列：标签所在列，样本真实的 label ，从 0 开始计数。如果填写，可以输出调整兰德系数，调整互信息指数，标准化互信息指数，互信息指数，V-measure ，轮廓系数，CH_score ，戴维森堡丁指数（DBI）；如果不填写，则只输出轮廓系数，CH_score ，戴维森堡丁指数（DBI）。

Demo

输入数据示例

示例第一行为列名，之后的每一行为一条数据，前两列为特征数据，第三列是聚类预测值。

A,B,prediction0,0,11,1,11,0,10,1,13,0,04,0,03,1,04,1,0

参数配置

算法 IO 参数* 输入文件类型：csv* 输入数据包含 header 信息：是* 输入数据分隔符：逗号* 输出文件类型：csv* 输入数据包含 header 信息：是* 输出数据分隔符：逗号* 预测标签列：2* 特征列：0-1标签列：无

输出数据

轮廓系数,CH_score,戴维森堡丁指数(DBI)0.621771677957192,27,0.471404520791032

评估报告




对解决方案有疑惑？想了解解决方案收费？ 联系解决方案专家

腾讯云限时活动1折起，即将结束： 马上收藏

同尘科技为腾讯云授权服务中心，购买腾讯云享受折上折，更有现金返利:同意关联，立享优惠

阿里云解决方案也看看？： 点击对比阿里云的解决方案