多标签回归评估（MultiLabel）使用文档
| 组件名称 | 多标签回归评估（MultiLabel） | ||
|---|---|---|---|
| 工具集 | 机器学习 | ||
| 组件作者 | 雪浪云-墨文 | ||
| 文档版本 | 1.0 | ||
| 功能 | 多标签回归评估（MultiLabel）算法 | ||
| 镜像名称 | ml_components:3 | ||
| 开发语言 | Python |
组件原理
Multi-Label 和传统的分类问题的区别主要在于多Label下，输出空间呈现指数级增长。那么目前对于Multi-Label的这类特性，学界一般是集中在更好的分析Label之间的相关性，就可以避免这种指数增长。
回归模型评估有三种方法，分别是：平均绝对值误差、均方误差和R平方值。
平均绝对误差（MAE）就是指预测值与真实值之间平均相差多大。
均方误差是指参数估计值与参数真值之差平方的期望值，记为MSE。MSE是衡量平均误差的一种较方便的方法，MSE可以评价数据的变化程度，MSE的值越小，说明预测模型描述实验数据具有更好的精确度。
R平方值是表征回归方程在多大程度上解释了因变量的变化，或者说方程对观测值的拟合程度如何。
输入桩
支持单个csv文件输入。
输入端子1
- 端口名称：预测后数据
- 输入类型：Csv文件
- 功能描述： 输入预测后的数据
输出桩
支持json文件输出。
输出端子1
- 端口名称：评估结果
- 输出类型：json文件
- 功能描述： 输出评估的结果
参数配置
评估指标
- 功能描述：选择多标签回归评估的指标，有以下指标可以选择：accuracy_score、f1_score、precision_score、recall_score、hamming_loss、mean_squared_log_error、r2_score、explained_variance_score、median_absolute_error
- 必选参数：是
- 默认值：accuracy_score
标签列
- 功能描述：标签列
- 必选参数：是
- 默认值：（无）
预测列
- 功能描述：预测列
- 必选参数：是
- 默认值：（无）
使用方法
- 将组件拖入到项目中
- 与前一个组件输出的端口连接（必须是csv类型）
- 点击运行该节点
