Configurar o componente Matriz de Confusão - Platform For AI: Central de Documentação do Alibaba Cloud

A matriz de confusão é usada em aprendizado supervisionado e equivale a uma matriz de correspondência no aprendizado não supervisionado. Na avaliação de desempenho, ela compara os resultados da classificação com os valores reais e exibe a precisão da classificação em formato matricial. Este tópico descreve como configurar o componente Confusion Matrix.

Limitações

O MaxCompute é o único mecanismo de computação compatível.

Configuração do componente

Configure o componente Confusion Matrix por um dos métodos a seguir.

Método 1: Usar a interface

Defina os parâmetros do componente na página de pipeline do Machine Learning Designer.

Parâmetro	Descrição
Original Label Column	Aceita tipos de dados numéricos.
Prediction Result Label Column	Obrigatório se Threshold não for especificado.
Threshold	Uma amostra é considerada positiva se seu valor for superior a este limiar.
Prediction Result Detail Column	Incompatível com Prediction Result Label Column. Necessário se Threshold estiver definido.
Positive Sample Label	Obrigatório se Threshold for especificado.

Método 2: Usar um comando PAI

Use comandos PAI para definir os parâmetros do componente. Execute esses comandos pelo componente SQL Script. Para mais informações, consulte Script SQL.

Sem definição de limiar

pai -name confusionmatrix -project algo_public
    -DinputTableName=wpbc_pred
    -DoutputTableName=wpbc_confu
    -DlabelColName=label
    -DpredictionColName=prediction_result;

Com limiar definido

pai -name confusionmatrix -project algo_public
    -DinputTableName=wpbc_pred
    -DoutputTableName=wpbc_confu
    -DlabelColName=label
    -DpredictionDetailColName=prediction_detail
    -Dthreshold=0.8
    -DgoodValue=N;

Parâmetro	Obrigatório	Descrição	Padrão
inputTableName	Sim	Nome da tabela de entrada (tabela de saída de um componente de previsão).	N/A
inputTablePartition	Não	Partição da tabela de entrada.	Tabela inteira
outputTableName	Sim	Nome da tabela de saída para armazenar a matriz de confusão.	N/A
labelColName	Sim	Nome da coluna de rótulo original.	N/A
predictionColName	Não	Nome da coluna de resultado da previsão. Obrigatório se threshold não for especificado.	N/A
predictionDetailColName	Não	Nome da coluna de detalhes do resultado da previsão. Obrigatório se threshold for especificado.	N/A
threshold	Não	Limiar para classificar amostras positivas.	0,5
goodValue	Não	Valor do rótulo que representa um resultado positivo na classificação binária. Obrigatório se threshold for especificado.	N/A
coreNum	Não	Número de núcleos para processamento.	Alocação automática
memSizePerCore	Não	Memória por núcleo, em MB.	Alocação automática
lifecycle	Não	Ciclo de vida da tabela de saída.	N/A

Exemplo

Crie uma tabela chamada test_data com um cliente MaxCompute, contendo as seguintes colunas: id bigint, label string, prediction_result string. Para instale e configure o cliente MaxCompute, consulte Conectar usando um cliente local (odpscmd). Para crie tabelas, veja Criar uma tabela.

Importe os dados de exemplo a seguir para a tabela test_data. Para instruções sobre importação de dados, consulte Importar dados.

id	label	prediction_result
0	A	A
1	A	B
2	A	A
3	A	A
4	B	B
5	B	B
6	B	A
7	B	B
8	B	A
9	A	A

Crie um pipeline e execute os componentes. Para mais informações, consulte Modelagem de algoritmos.

Na lista de componentes à esquerda do Machine Learning Designer, localize os componentes Read Table e Confusion Matrix e arraste-os para o canvas.
Conecte os componentes para criar o pipeline.

Configure os parâmetros dos componentes.

Clique em no componente Read Table-1 no canvas. Na aba Select Table do painel direito, defina Table Name como test_data.

Clique em no componente Confusion Matrix-1 no canvas. No painel direito, configure os parâmetros conforme a tabela a seguir. Mantenha os demais parâmetros com os valores padrão.

Parâmetro	Descrição
Original Label Column	Selecione a coluna label.
Prediction Result Label Column	Insira prediction_result.

Após configurar os parâmetros, clique em no botão Run para execute o pipeline.

Quando a execução terminar, clique com o botão direito no componente Confusion Matrix-1 e selecione Visual Analysis no menu de contexto para visualize a saída.
- Clique em na aba Confusion Matrix para ver a matriz de confusão resultante.
- Clique em na aba Statistics para consultar as estatísticas do modelo.
  
  As estatísticas incluem TruePositive, FalsePositive, Accuracy, Precision, Recall e F1 score. Por exemplo, para o Modelo A, os valores das métricas são 4, 2, 0,7, 0,6667, 0,8 e 0,7273. Para o Modelo B, os valores são 3, 1, 0,7, 0,75, 0,6 e 0,6667.

Tópicos relacionados

Para obter mais informações sobre os componentes do Machine Learning Designer, consulte Visão geral do Machine Learning Designer.
O Machine Learning Designer oferece diversos componentes de algoritmo. Escolha os componentes adequados para processamento de dados conforme o seu caso de uso. Para mais detalhes, consulte Referência de componentes.