机器学习测量值 - Amazon Glue
Amazon Web Services 文档中描述的 Amazon Web Services 服务或功能可能因区域而异。要查看适用于中国区域的差异，请参阅 中国的 Amazon Web Services 服务入门 (PDF)。

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。

机器学习测量值

要了解用于优化机器学习转换的测量值，您应熟悉以下术语：

真阳性 (TP)

转换正确找到的数据中的匹配项有时称作命中。

真阴性 (TN)

转换正确拒绝的数据中的不匹配项。

假阳性 (FP)

转换错误地分类为匹配项的数据中的不匹配项有时称作假警报。

假阴性 (FN)

转换未找到的数据中的匹配项有时称作未命中。

有关机器学习中使用的术语的更多信息，请参阅 Wikipedia 中的 混淆矩阵。

要优化您的机器学习转换，您可以在转换的 Advanced properties (高级属性) 中更改以下测量值。

  • Precision (查准率) 衡量转换在其标识为阳性的记录总数（真阳性和假阳性）中找到真阳性的程度。有关更多信息，请参阅 Wikipedia 中的查准率和查全率。

  • Recall (查全率) 衡量转换从源数据中的全部记录中找到真阳性的程度。有关更多信息，请参阅 Wikipedia 中的查准率和查全率。

  • Accuracy (准确性) 衡量转换发现真阳性和真阴性的程度。提高准确性需要更多的机器资源和成本。但这也会导致查全率提高。有关更多信息，请参阅 Wikipedia 中的准确性和查准率。

  • Cost (成本) 衡量运行转换所消耗的计算资源（从而产生资金）的数量。