模型评估
二分类评估
pipeline.mllib.evaluation.evaluate_v2. EvaluateV2Ai
组件说明：一个综合评估组件，里面包含综合指数、KS/PR/LIFT/ROC曲线及详细信息。根据选择的原始标签列数据，以及明细列的信息，对二分类预测的结果进行评估。评估的内容包括准确率，F1-score，roc-curve等。
组件输入：输入预测组件的输出表，即预测后的数据表
组件输出：输出综合指标表，等频分桶详细数据表，等宽分桶详细数据表
输入桩input
-
input1:输入预测后的数据表。
输出桩output
-
output1:输出综合指标表。
-
output2:输出等频分桶详细数据表。
-
output3:输出等宽分桶详细数据表。
字段设置col_settings
-
old_label: 真实值列名，必选，单选
-
detail_label: 预测概率列列名，必选，单选
-
pos：正类表情，必选，单选。
-
bin：分箱数，必选，默认100。
回归模型评估
pipeline.mllib.evaluation.regression_evaluation_v2.RegressionEvaluateV2Ai
组件说明：回归指标：基于预测结果和原始结果，评价回归算法模型的优劣，指标包括MSE、MAE、MAPE、R平方值等。
组件输入：输入回归模型预测结果表。
组件输出：输出综合指标表，残差分桶统计
输入桩input
-
input1:输入回归模型预测后的数据结果表。
输出桩output
-
output1:输出综合指标表。
-
output2:输出等频分桶详细数据表。
字段设置col_settings
-
label: 原回归值列，必选，单选
-
pre: 预测回归值列，必选，单选
-
bucket：计算残差时按等频分成多少个直方图分箱数量，必选，默认100
内存设置
-
占用内存大小：可设置组件占用的内存大小，范围[256,64*1024]MB，默认512MB。
-
并发数：可设置组件的并发数，范围[1,9999]，默认为1，单线程运行。
聚类模型评估
pipeline.mllib.evaluation.cluster_evaluation_v2.ClusterEvaluateV2Ai
组件说明：聚类模型评估组件，是评估原始数据进行聚类的可行性和聚类方法产生的结果的质量，主要包括：估计聚类趋势、确定数据集中的簇数、测定聚类质量。
组件输入：输入聚类数据表以及聚类模型。
组件输出：输出聚类综合评估结果表
输入桩input
-
input1：输入聚类数据表。
-
input2：输入聚类模型。
输出桩output
-
output1：输出综合指标表。
字段设置col_settings
-
col: 参数评估列，一般全选
内存设置
-
占用内存大小：可设置组件占用的内存大小，范围[256,64*1024]MB，默认512MB。
-
并发数：可设置组件的并发数，范围[1,9999]，默认为1，单线程运行。
混淆矩阵
pipeline.mllib.evaluation.confusion_matrix_v2.ConfusionMatrixV2Ai
组件说明：混淆矩阵，是表示精度评价的一种标注格式，用n行n列的矩阵形式表示。其是一个可视化工具，常用于监督学习，在无监督学习一般叫做匹配矩阵。在图像精度评价中，主要用于比较分类结果和实际测得值，可以把分类结果的精度显示在一个混淆矩阵里面。 混淆矩阵的每一列代表了预测类别，每一列的总数表示预测为该类别的数据的数目；每一行代表了数据的真实归属类别，每一行的数据总数表示该类别的数据实例的数目。每一列中的数值表示真实数据被预测为该类的数目。
组件输入：输入分类模型预测结果。
组件输出：输出混淆矩阵相关数据。
输入桩input
-
input1：输入分类模型预测数据表。
输出桩output
-
output1：输出混淆矩阵相关数据。
字段设置col_settings
-
label: 原始数据标签列，必选，单选
-
pre: 预测结果列，必选，单选
-
类别个数：类别个数
-
阈值：阈值
内存设置
-
占用内存大小：可设置组件占用的内存大小，范围[256,64*1024]MB，默认512MB。
-
并发数：可设置组件的并发数，范围[1,9999]，默认为1，单线程运行。