评分和测试

组件介绍

**“评分和测试”（Test & Score）**控件根据输入数据进行模型训练及测试并对模型评分。

**“评分和测试”（Test & Score）**控件可以用来测试模型算法，支持使用不同的采样方案，包括使用单独的测试数据。该控件包含两部分，首先，该控件会显示一个包含不同分类器性能指标的表格，其中性能指标包括分类精度和曲线下方的面积等。其次，该控件还会输出评估结果，供其它控件分析分类器的性能，如“Confusion Matrix”控件等。

---

• 输入：
  • trndt：训练数据
  • tstdt：测试数据
  • lrn：一个或多个算法
• 输出：
  • evr：评估结果，测试分类算法的结果
  • data：预测结果
  • prdt：模型评分结果

---

页面介绍

点击**“评分和测试”（Test & Score）**控件查看参数配置页面，如下图所示：

点击**“查看数据”**按钮，查看详细的模型评分：

参数选项

选项	说明	取值范围	样例值
抽样方法	控件支持多种抽样方法：   交叉证认：将数据分成给定数量的折（子样本），通常是 5 或 10，并将一个单独的子样本保留作为验证模型的数据，其他 k-1 个样本用来训练。交叉验证重复 k 次，每个子样本验证一次，平均 k 次的结果最终得到一个单一估测。   随机抽样：按照给定的比例将数据随机分成训练集和测试集，并且可指定整个过程重复的次数。   留一策略：与交叉证认类似，但是它只使用原本样本中的一项来当做验证资料， 而剩余的则留下来当做训练集。这个步骤一直持续到每个样本都被当做一次验证资料。此方法稳定可靠，但是效率较低。   训练集中测试：使用整个数据集进行训练，然后进行测试。此方法实际应用中总会给出错误的结果。   测试集中测试：上述方法仅使用来自数据信号的数据。要使用测试示例输入另一个数据集（例如从文件或从控件中选择的某些数据），我们在通信通道中选择独立测试数据，然后选择测试数据测试。	控件支持多种抽样方法（单选）：   交叉证认     折数：2/3/5/10/20     分层：勾选/不勾选   随机抽样     重复次数：2/3/5/10/20/50/100     训练集百分比：5%/10%/20%/25%/30%/33%/40%/50%/60%/66%/70%/75%/80%/90%/95%     分层：勾选/不勾选   留一策略   训练集中测试   测试集中测试	交叉证认   折数：2   分层：勾选
目标类	离散目标属性的取值	离散目标属性的取值	默认选中的值是离散目标属性取值的第一个
评估结果	计算性能统计信息

模型信息标签

模型信息标签页展示了工作流中的模型组件的参数信息，展示页面如下图所示。

信息选项

选项	说明	样例值
分类器	模型列表
参数信息	选择的模型参数信息

使用案例

在下图所示的案例中，使用**“加载文件”（File）控件加载数据，针对“K近邻”（KNN）、“决策树”（Tree）**等算法进行测试和评估。

案例中加载 iris 数据集，案例中控件的配置以及执行结果如下图所示。