多分类评估(stream) - 《阿里巴巴 Alink v1.01 使用手册》

功能介绍
- Precision
- Recall
- F-Measure
- Sensitivity
- Accuracy
- Specificity
- Kappa
- Logloss
参数说明
脚本示例
- 脚本代码

功能介绍

多分类评估是对多分类算法的预测结果进行效果评估。

流式的实验支持累计统计和窗口统计。

给出整体的评估指标包括Precision、Recall、F-Measure、Sensitivity、Accuracy、Specificity和Kappa。

Precision

$多分类评估(stream) - 图1$

Recall

$多分类评估(stream) - 图2$

F-Measure

$多分类评估(stream) - 图3$

Sensitivity

Accuracy

$多分类评估(stream) - 图5$

Specificity

Kappa

$多分类评估(stream) - 图7$

$多分类评估(stream) - 图8$

$多分类评估(stream) - 图9$

Logloss

$多分类评估(stream) - 图10$

参数说明

名称	中文名称	描述	类型	是否必须？	默认值
timeInterval	时间间隔	流式数据统计的时间间隔	Integer		3
labelCol	标签列名	输入表中的标签列名	String	✓
predictionCol	预测结果列名	预测结果列名	String	✓
predictionDetailCol	预测详细信息列名	预测详细信息列名	String

脚本示例

脚本代码

import numpy as np
import pandas as pd
data = np.array([
    ["prefix1", "{\"prefix1\": 0.9, \"prefix0\": 0.1}"],
    ["prefix1", "{\"prefix1\": 0.8, \"prefix0\": 0.2}"],
    ["prefix1", "{\"prefix1\": 0.7, \"prefix0\": 0.3}"],
    ["prefix0", "{\"prefix1\": 0.75, \"prefix0\": 0.25}"],
    ["prefix0", "{\"prefix1\": 0.6, \"prefix0\": 0.4}"]])
df = pd.DataFrame({"label": data[:, 0], "detailInput": data[:, 1]})
inOp = BatchOperator.fromDataframe(df, schemaStr='label string, detailInput string')
metrics = EvalMultiClassBatchOp().setLabelCol("label").setPredictionDetailCol("detailInput").linkFrom(inOp).collectMetrics()
print("Prefix0 accuracy:", metrics.getAccuracy("prefix0"))
print("Prefix1 recall:", metrics.getRecall("prefix1"))
print("Macro Precision:", metrics.getMacroPrecision())
print("Micro Recall:", metrics.getMicroRecall())
print("Weighted Sensitivity:", metrics.getWeightedSensitivity())
inOp = StreamOperator.fromDataframe(df, schemaStr='label string, detailInput string')
EvalMultiClassStreamOp().setLabelCol("label").setPredictionDetailCol("detailInput").setTimeInterval(1).linkFrom(inOp).print()
StreamOperator.execute()