本文為英文版的機器翻譯版本，如內容有任何歧義或不一致之處，概以英文版為準。

# 評估評估您的模型效能
<a name="canvas-scoring"></a>

Amazon SageMaker Canvas 為不同類型的模型提供概觀和評分資訊。模型分數可協助您判斷模型進行預測時的準確度。額外的評分洞察可以幫助您量化實際值和預測值之間的差異。

若要檢視模型的分析，請執行下列操作：

1. 開啟 SageMaker Canvas 應用程式。

1. 在左側導覽窗格中選擇**我的模型**。

1. 選擇您建立的模型。

1. 在頂部導覽窗格中，選擇**分析**索引標籤。

1. 在**分析**索引標籤中，您可以檢視模型的概觀和評分資訊。

以下章節描述如何解譯每個模型類型的評分。

## 評估分類預測模型
<a name="canvas-scoring-categorical"></a>

**概觀**索引標籤會顯示每個資料欄的資料欄影響。**Column impact** (資料欄影響) 是一個百分比分數，用於表示資料欄在進行預測方面，相對於其他資料欄具有多少權重。針對 25% 的資料欄影響，Canvas 將該欄位的預測權重設為 25%，將其他欄位的預測權重設為 75%。

下列螢幕擷取畫面顯示模型的 **Accuracy** (準確度) 分數，以及 **Optimization metric** (最佳化指標)，這是您在建置模型時選擇最佳化的指標。在此情況下，**最佳化指標**為**正確性**。如果您建置模型的新版本，則可以指定不同的最佳化指標。

![\[Canvas 中 Analyze (分析) 索引標籤上的準確度分數和最佳化指標的螢幕擷取畫面。\]](http://docs.aws.amazon.com/zh_tw/sagemaker/latest/dg/images/studio/canvas/analyze-tab-2-category.png)


分類預測模型的 **Scoring** (評分) 索引標籤使您能夠視覺化所有預測。線段會從頁面左側延伸，表示模型所做的所有預測。線段會在頁面中間聚合在一個垂直的區段上，以表示每個預測與單一類別的比例。從預測的類別中，區段分支至實際類別。您可以透過跟隨預測類別的每個線段到實際類別，從而獲得預測的準確性的視覺理解。

下列影像為您提供 **3\$1 類別預測**模型的 **Scoring section** (評分區段) 範例。

![\[3+ 類別預測模型的 Scoring (評分) 索引標籤螢幕擷取畫面。\]](http://docs.aws.amazon.com/zh_tw/sagemaker/latest/dg/images/studio/canvas/canvas-analyze/canvas-multiclass-classification.png)


您也可以檢視**進階指標**索引標籤，以取得模型效能的詳細資訊，例如進階指標、錯誤密度圖或混淆矩陣。若要進一步了解**進階指標**，請參閱[在分析中使用進階指標](canvas-advanced-metrics.md)。

## 評估數值預測模型
<a name="canvas-scoring-numeric"></a>

**Overview** (概觀) 索引標籤會顯示每個資料欄的資料欄影響。**Column impact** (資料欄影響) 是一個百分比分數，用於表示資料欄在進行預測方面，相對於其他資料欄具有多少權重。針對 25% 的資料欄影響，Canvas 將該欄位的預測權重設為 25%，將其他欄位的預測權重設為 75%。

下列螢幕擷取畫面顯示 **Overview** (概觀) 索引標籤上模型的 **RMSE** 分數，在此情況下為 **Optimization metric** (最佳化指標)。**Optimization metric** (最佳化指標) 是您在建置模型時選擇最佳化的指標。如果您建置模型的新版本，則可以指定不同的最佳化指標。

![\[Canvas 中 Analyze (分析) 索引標籤上的 RMSE 最佳化指標的螢幕擷取畫面。\]](http://docs.aws.amazon.com/zh_tw/sagemaker/latest/dg/images/studio/canvas/analyze-tab-2-numeric.png)


用於數值預測的 **Scoring** (評分) 標籤會顯示一條線，以指出模型的預測值與用於進行預測資料的關係。數值預測的值通常為 \$1/- RMSE (均方根誤差值)。該模型預測的值通常是在 RMSE 的範圍內。該行周圍的紫色帶寬度表示 RMSE 範圍。預測值通常落在範圍內。

下列影像顯示了用於數值預測的 **Scoring** (評分) 區段。

![\[數值預測模型的 Scoring (評分) 索引標籤螢幕擷取畫面。\]](http://docs.aws.amazon.com/zh_tw/sagemaker/latest/dg/images/studio/canvas/canvas-analyze/canvas-analyze-regression-scoring.png)


您也可以檢視**進階指標**索引標籤，以取得模型效能的詳細資訊，例如進階指標、錯誤密度圖或混淆矩陣。若要進一步了解**進階指標**，請參閱[在分析中使用進階指標](canvas-advanced-metrics.md)。

## 評估時間序列預測模型
<a name="canvas-scoring-time-series"></a>

在時間序列預測模型的 **Analyze** (分析) 頁面上，您可以查看模型指標的概觀。您可以將滑鼠懸停在每個指標上方以取得詳細資訊，也可以參閱[在分析中使用進階指標](canvas-advanced-metrics.md)以取得每個指標的詳細資訊。

在**資料欄影響**區段，您可以看到各欄的分數。**資料欄影響**是一個百分比分數，用於表示資料欄在進行預測方面，相對於其他資料欄具有多少權重。針對 25% 的資料欄影響，Canvas 將該欄位的預測權重設為 25%，將其他欄位的預測權重設為 75%。

下列螢幕擷取畫面顯示模型的時間序列指標分數，以及 **Optimization metric** (最佳化指標)，這是您在建置模型時選擇最佳化的指標。在此情況下，**Optimization metric** (最佳化指標) 為 **RMSE**。如果您建置模型的新版本，則可以指定不同的最佳化指標。這些指標分數取自您的回溯測試結果，可在**成品**索引標籤中下載。

![\[Canvas 中 Analyze (分析) 索引標籤上的 RMSE 最佳化指標的螢幕擷取畫面。\]](http://docs.aws.amazon.com/zh_tw/sagemaker/latest/dg/images/studio/canvas/analyze-tab-2-time-series.png)


**成品**索引標籤可讓您存取數個關鍵資源，您可以用來深入討模型的效能並繼續將其迭代：
+ **隨機訓練和驗證分割** - 本節包含將資料集分割為訓練和驗證集時產生的成品連結，可讓您檢閱資料分佈和潛在偏差。
+ **回溯測試結果** - 本節包含驗證資料集的預測值連結，用來為您的模型產生正確性指標和評估資料。
+ **正確性指標** - 本節列出評估模型效能的進階指標，例如均方根誤差 (RMSE)。如需每個指標的詳細資訊，請參閱[時間序列預測的指標](canvas-metrics.md#canvas-time-series-forecast-metrics)。
+ **可解釋性報告** - 本節提供下載可解釋性報告的連結，其會提供模型決策程序的洞見，以及輸入欄的相對重要性。此報告可協助您識別潛在區域以進行改進。

在**分析**頁面上，您也可以選擇**下載**按鈕，將回溯測試結果、正確性指標和可解釋性報告成品直接下載至本機電腦。

## 評估影像預測模型
<a name="canvas-scoring-image"></a>

**Overview** (概觀) 索引標籤會顯示 **Per label performance** (每個標籤效能)，為您提供每個標籤所預測影像的整體精確度分數。您可以選擇標籤來查看更具體的詳細資訊，例如標籤的 **Correctly predicted** (預測正確) 和 **Incorrectly predicted** (預測不正確) 的影像。

您可以開啟 **Heatmap** (熱度圖) 切換開關，查看每個影像的熱度圖。熱度圖會顯示模型進行預測時影響最大的感興趣區域。如需有關熱度圖以及如何使用熱度圖改善模型的更多相關資訊，請選擇 **Heatmap** (熱度圖) 切換開關旁邊的 **More info** (更多資訊) 圖示。

單一標籤影像預測模型的 **Scoring** (評分) 索引標籤會顯示模型預測為標籤與實際標籤的比較。您一次最多可以選取 10 個標籤。您可以透過選擇標籤下拉式清單功能表，並選取或取消選取標籤來變更視覺效果中的標籤。

您也可以在 **Model accuracy insights** (模型準確度洞察 ) 區段中選擇 **View scores for** (檢視分數) 下拉式清單，檢視個別標籤或標籤群組的深入分析，例如精確度最高或最低的三個標籤。

下列螢幕擷取畫面顯示單一標籤影像預測模型的**評分**資訊。

![\[評分頁面上多類別文字預測模型的實際標籤與預測標籤。\]](http://docs.aws.amazon.com/zh_tw/sagemaker/latest/dg/images/studio/canvas/analyze-image-scoring.png)


## 評估文字預測模型
<a name="canvas-scoring-text"></a>

**Overview** (概觀) 索引標籤會顯示 **Per label performance** (每個標籤效能)，為您提供每個標籤所預測文字段落的整體精確度分數。您可以選擇標籤來查看更具體的詳細資訊，例如標籤的 **Correctly predicted** (預測正確) 和 **Incorrectly predicted** (預測不正確) 的段落。

多類別文字預測模型的 **Scoring** (評分) 索引標籤會顯示模型預測為標籤與實際標籤的比較。

在 **Model accuracy insights** (模型精確度洞察) 區段中，您可以看到 **Most frequent category** (最常見類別)，告訴您模型預測中最頻繁出現的類別，以及這些預測的準確度。如果您的模型在 99% 的次數將標籤預測為 **Positive** (正)，那麼您可以對模型保持高度信心，您的模型擅長預測文字中的正面情緒。

下列螢幕擷取畫面顯示多類別文字預測模型的**評分**資訊。

![\[評分頁面上單一標籤影像預測模型的實際標籤與預測標籤。\]](http://docs.aws.amazon.com/zh_tw/sagemaker/latest/dg/images/studio/canvas/analyze-text-scoring.png)