Le traduzioni sono generate tramite traduzione automatica. In caso di conflitto tra il contenuto di una traduzione e la versione originale in Inglese, quest'ultima prevarrà.

# Metriche di qualità dei modelli e monitoraggio di Amazon CloudWatch
<a name="model-monitor-model-quality-metrics"></a>

I processi di monitoraggio della qualità del modello calcolano metriche diverse per valutare la qualità e le prestazioni dei modelli di machine learning. Le specifiche metriche calcolate dipendono dal tipo di problema di ML: regressione, classificazione binaria o classificazione multiclasse. Il monitoraggio di queste metriche è fondamentale per rilevare la deriva del modello nel tempo. Le sezioni seguenti descrivono le principali metriche di qualità del modello per ogni tipo di problema, nonché come impostare il monitoraggio e gli avvisi automatici utilizzando CloudWatch il monitoraggio continuo delle prestazioni del modello.

**Nota**  
La deviazione standard dei parametri viene fornita solo quando sono disponibili almeno 200 campioni. Model Monitor calcola la deviazione standard campionando casualmente l’80% dei dati per cinque volte, calcolando la metrica e assumendo la deviazione standard per tali risultati.

## Metriche di regressione
<a name="model-monitor-model-quality-metrics-regression"></a>

Di seguito viene mostrato un esempio dei parametri elaborati dal monitoraggio della qualità del modello per un problema di regressione.

```
"regression_metrics" : {
    "mae" : {
      "value" : 0.3711832061068702,
      "standard_deviation" : 0.0037566388129940394
    },
    "mse" : {
      "value" : 0.3711832061068702,
      "standard_deviation" : 0.0037566388129940524
    },
    "rmse" : {
      "value" : 0.609248066149471,
      "standard_deviation" : 0.003079253267651125
    },
    "r2" : {
      "value" : -1.3766111872212665,
      "standard_deviation" : 0.022653980022771227
    }
  }
```

## Metriche di classificazione binaria
<a name="model-monitor-model-quality-metrics-binary"></a>

Di seguito viene mostrato un esempio dei parametri elaborati dal monitoraggio della qualità del modello per un problema di classificazione binaria.

```
"binary_classification_metrics" : {
    "confusion_matrix" : {
      "0" : {
        "0" : 1,
        "1" : 2
      },
      "1" : {
        "0" : 0,
        "1" : 1
      }
    },
    "recall" : {
      "value" : 1.0,
      "standard_deviation" : "NaN"
    },
    "precision" : {
      "value" : 0.3333333333333333,
      "standard_deviation" : "NaN"
    },
    "accuracy" : {
      "value" : 0.5,
      "standard_deviation" : "NaN"
    },
    "recall_best_constant_classifier" : {
      "value" : 1.0,
      "standard_deviation" : "NaN"
    },
    "precision_best_constant_classifier" : {
      "value" : 0.25,
      "standard_deviation" : "NaN"
    },
    "accuracy_best_constant_classifier" : {
      "value" : 0.25,
      "standard_deviation" : "NaN"
    },
    "true_positive_rate" : {
      "value" : 1.0,
      "standard_deviation" : "NaN"
    },
    "true_negative_rate" : {
      "value" : 0.33333333333333337,
      "standard_deviation" : "NaN"
    },
    "false_positive_rate" : {
      "value" : 0.6666666666666666,
      "standard_deviation" : "NaN"
    },
    "false_negative_rate" : {
      "value" : 0.0,
      "standard_deviation" : "NaN"
    },
    "receiver_operating_characteristic_curve" : {
      "false_positive_rates" : [ 0.0, 0.0, 0.0, 0.0, 0.0, 1.0 ],
      "true_positive_rates" : [ 0.0, 0.25, 0.5, 0.75, 1.0, 1.0 ]
    },
    "precision_recall_curve" : {
      "precisions" : [ 1.0, 1.0, 1.0, 1.0, 1.0 ],
      "recalls" : [ 0.0, 0.25, 0.5, 0.75, 1.0 ]
    },
    "auc" : {
      "value" : 1.0,
      "standard_deviation" : "NaN"
    },
    "f0_5" : {
      "value" : 0.3846153846153846,
      "standard_deviation" : "NaN"
    },
    "f1" : {
      "value" : 0.5,
      "standard_deviation" : "NaN"
    },
    "f2" : {
      "value" : 0.7142857142857143,
      "standard_deviation" : "NaN"
    },
    "f0_5_best_constant_classifier" : {
      "value" : 0.29411764705882354,
      "standard_deviation" : "NaN"
    },
    "f1_best_constant_classifier" : {
      "value" : 0.4,
      "standard_deviation" : "NaN"
    },
    "f2_best_constant_classifier" : {
      "value" : 0.625,
      "standard_deviation" : "NaN"
    }
  }
```

## Metriche multiclasse
<a name="model-monitor-model-quality-metrics-multi"></a>

Di seguito viene mostrato un esempio dei parametri elaborati dal monitoraggio della qualità del modello per un problema di classificazione multiclasse.

```
"multiclass_classification_metrics" : {
    "confusion_matrix" : {
      "0" : {
        "0" : 1180,
        "1" : 510
      },
      "1" : {
        "0" : 268,
        "1" : 138
      }
    },
    "accuracy" : {
      "value" : 0.6288167938931297,
      "standard_deviation" : 0.00375663881299405
    },
    "weighted_recall" : {
      "value" : 0.6288167938931297,
      "standard_deviation" : 0.003756638812994008
    },
    "weighted_precision" : {
      "value" : 0.6983172269629505,
      "standard_deviation" : 0.006195912915307507
    },
    "weighted_f0_5" : {
      "value" : 0.6803947317178771,
      "standard_deviation" : 0.005328406973561699
    },
    "weighted_f1" : {
      "value" : 0.6571162346664904,
      "standard_deviation" : 0.004385008075019733
    },
    "weighted_f2" : {
      "value" : 0.6384024354394601,
      "standard_deviation" : 0.003867109755267757
    },
    "accuracy_best_constant_classifier" : {
      "value" : 0.19370229007633588,
      "standard_deviation" : 0.0032049848450732355
    },
    "weighted_recall_best_constant_classifier" : {
      "value" : 0.19370229007633588,
      "standard_deviation" : 0.0032049848450732355
    },
    "weighted_precision_best_constant_classifier" : {
      "value" : 0.03752057718081697,
      "standard_deviation" : 0.001241536088657851
    },
    "weighted_f0_5_best_constant_classifier" : {
      "value" : 0.04473443104152011,
      "standard_deviation" : 0.0014460485504284792
    },
    "weighted_f1_best_constant_classifier" : {
      "value" : 0.06286421244683643,
      "standard_deviation" : 0.0019113576884608862
    },
    "weighted_f2_best_constant_classifier" : {
      "value" : 0.10570313141262414,
      "standard_deviation" : 0.002734216826748117
    }
  }
```

## Monitoraggio delle metriche di qualità del modello con CloudWatch
<a name="model-monitor-model-quality-cw"></a>

Se imposti il valore di `enable_cloudwatch_metrics` to `True` quando crei la pianificazione di monitoraggio, i job di monitoraggio della qualità del modello inviano tutte le metriche a. CloudWatch

I parametri di qualità del modello vengono visualizzati nel seguente spazio dei nomi:
+ Per endpoint in tempo reale: `aws/sagemaker/Endpoints/model-metrics`
+ Per processi di trasformazione di batch: `aws/sagemaker/ModelMonitoring/model-metrics`

Per un elenco delle metriche emesse, consulta le sezioni precedenti di questa pagina.

Puoi utilizzare le CloudWatch metriche per creare un allarme quando una metrica specifica non soddisfa la soglia specificata. *Per istruzioni su come creare CloudWatch allarmi, consulta [Creare un CloudWatch allarme basato su una soglia statica](https://docs.aws.amazon.com/AmazonCloudWatch/latest/monitoring/ConsoleAlarms.html) nella Guida per l'CloudWatch utente.*