As traduções são geradas por tradução automática. Em caso de conflito entre o conteúdo da tradução e da versão original em inglês, a versão em inglês prevalecerá.

# Use métricas avançadas em suas análises
<a name="canvas-advanced-metrics"></a>

A seção a seguir descreve como encontrar e interpretar as métricas avançadas do seu modelo no Amazon SageMaker Canvas.

**nota**  
As métricas avançadas estão disponíveis atualmente somente para modelos de predição numérica e categórica.

Para encontrar a guia **Métricas avançadas**, faça o seguinte:

1. Abra o aplicativo SageMaker Canvas.

1. No painel de navegação à esquerda, selecione **Meus modelos**.

1. Escolha o modelo que você construiu.

1. No painel de navegação, escolha a guia **Analisar**.

1. Na guia **Analisar**, escolha a guia **Métricas avançadas**.

Na guia **Métricas avançadas**, você pode encontrar a guia **Desempenho**. A tela deve ser algo semelhante ao exibido a seguir.

![Captura de tela da guia de métricas avançadas para um modelo de predição categórica.](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/images/studio/canvas/canvas-analyze-performance.png)


Na parte superior, você pode ver uma visão geral das pontuações métricas, incluindo a **métrica de otimização**, que é a métrica que você selecionou (ou a que o Canvas selecionou por padrão) para otimizar ao criar o modelo.

As seções a seguir descrevem informações mais detalhadas da guia **Desempenho** nas **métricas avançadas**.

## desempenho
<a name="canvas-advanced-metrics-performance"></a>

Na guia **Desempenho**, você verá uma **tabela de métricas**, junto com as visualizações que o Canvas cria com base no seu tipo de modelo. Para modelos de predição categórica, o Canvas fornece uma *matriz de confusão*, enquanto para modelos de predição numérica, o Canvas fornece gráficos de *resíduos* e *densidade de erros*.

Na **tabela Métricas**, você recebe uma lista completa das pontuações do seu modelo para cada métrica avançada, que é mais abrangente do que a visão geral das pontuações na parte superior da página. As métricas mostradas aqui dependem do seu tipo de modelo. Para obter uma referência para ajudá-lo a entender e interpretar cada métrica, consulte[Referência de métricas](canvas-metrics.md).

Para entender as visualizações que podem aparecer com base no seu tipo de modelo, consulte as seguintes opções:
+ **Matriz de confusão**: O Canvas usa matrizes de confusão para ajudar você a visualizar quando um modelo faz predições corretamente. Em uma matriz de confusão, seus resultados são organizados para comparar os valores previstos com os valores reais. O seguinte exemplo explica como uma matriz de confusão funciona para um modelo de predição de 2 categorias que prevê rótulos positivos e negativos:
  + Positivo verdadeiro: O modelo previu corretamente o positivo quando o rótulo verdadeiro era positivo.
  + Negativo verdadeiro: O modelo previu corretamente o negativo quando o rótulo verdadeiro era negativo.
  + Falso-positivo: O modelo previu incorretamente o positivo previsto quando o rótulo verdadeiro era negativo.
  + Falso-negativo: O modelo previu incorretamente o negativo previsto quando o rótulo verdadeiro era positivo.
+ **Curva de recuperação de precisão**: A curva de recuperação de precisão é uma visualização da pontuação de precisão do modelo traçada em relação à pontuação de recuperação do modelo. Geralmente, um modelo que pode fazer predições perfeitas teria pontuações de precisão e recall que são ambas 1. A curva de recuperação de precisão para um modelo decentemente preciso é bastante alta em precisão e recuperação.
+ **Resíduos**: Resíduos são a diferença entre os valores reais e os valores previstos pelo modelo. Um gráfico de resíduos representa graficamente os resíduos em relação aos valores correspondentes para visualizar sua distribuição e quaisquer padrões ou valores discrepantes. Uma distribuição normal de resíduos em torno de zero indica que o modelo é adequado para os dados. No entanto, se os resíduos estiverem significativamente distorcidos ou apresentarem valores discrepantes, isso pode indicar que o modelo está ajustando demais os dados ou que há outros problemas que precisam ser resolvidos.
+ **Densidade de erro**: Um gráfico de densidade de erro é uma representação da distribuição dos erros cometidos por um modelo. Ele mostra a densidade de probabilidade dos erros em cada ponto, ajudando você a identificar quaisquer áreas onde o modelo pode estar com ajuste excessivo ou cometendo erros sistemáticos.