# 机器学习测量值
<a name="machine-learning-terminology"></a>

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](https://en.wikipedia.org/wiki/Confusion_matrix)。

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](https://en.wikipedia.org/wiki/Precision_and_recall)。
+ **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](https://en.wikipedia.org/wiki/Precision_and_recall)。
+ **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](https://en.wikipedia.org/wiki/Accuracy_and_precision#In_information_systems)。
+ **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。