ClassifierEvaluationMetrics - Amazon Comprehend

本文属于机器翻译版本。若本译文内容与英语原文存在差异,则一律以英文原文为准。

ClassifierEvaluationMetrics

描述与文档分类器关联的测试数据的结果量度。

目录

Accuracy

正确识别的标签比例。其计算方法是将测试文档中正确识别的标签数除以测试文档中的标签总数。

类型: Double

必需: 否

F1Score

衡量检验数据的分类器结果的精确程度。该节点源自PrecisionRecall有效值。这些区域有:F1Score是两个分数的谐波平均值。最高分为 1,最差分为 0。

类型: Double

必需: 否

HammingLoss

表示错误预测的标签比例。也被视为错误标签占标签总数的比例。接近零的分数越好。

类型: Double

必需: 否

MicroF1Score

衡量检验数据的分类器结果的精确程度。这是的组合Micro PrecisionMicro Recall有效值。这些区域有:Micro F1Score是两个分数的调和平均数。最高分为 1,最差分为 0。

类型: Double

必需: 否

MicroPrecision

衡量识别器有用性的结果会产生测试数据。高精度意味着识别器返回的相关结果要比不相关的结果多得多。与 Precision 指标不同,精度指标来自对所有可用标签的精度求平均值,它基于所有精度分数加在一起的总体得分。

类型: Double

必需: 否

MicroRecall

衡量测试数据的分类器结果的完整程度。高召回率意味着分类器返回了大部分相关结果。具体而言,这表示模型可以预测文本中有多少个正确的类别。它是在文本中可以找到的正确类别的百分比。micro Recall 不是平均所有标签的召回分数(与召回一样),而是基于所有召回分数加在一起的总得分。

类型: Double

必需: 否

Precision

对分类器有用性的度量会产生测试数据。高精度意味着分类器返回的相关结果要比不相关的结果多得多。

类型: Double

必需: 否

Recall

衡量测试数据的分类器结果的完整程度。高召回率意味着分类器返回了大部分相关结果。

类型: Double

必需: 否

另请参阅

有关在特定语言的 AWS 软件开发工具包中使用此 API 的更多信息,请参阅以下内容: