我们不再更新 Amazon Machine Learning 服务，也不再接受新用户使用该服务。本文档可供现有用户使用，但我们不会再对其进行更新。有关更多信息，请参阅[什么是 Amazon Machine Learning](https://docs.aws.amazon.com/machine-learning/latest/dg/what-is-amazon-machine-learning.html)。 本文属于机器翻译版本。若本译文内容与英语原文存在差异，则一律以英文原文为准。 # 步骤 4：查看 ML 模型的预测性能和设置分数阈值 现在，您已经创建了 ML 模型，Amazon Machine Learning (Amazon ML) 也对其进行了评估，我们来看看该模型是否足以投入使用。在评估期间，Amazon ML 计算了称为曲线下面积 (AUC) 指标的行业标准质量指标，用于表示 ML 模型的性能质量。Amazon ML 还会解析 AUC 指标，让您了解 ML 模型的质量是否能够满足大多数机器学习应用程序的需求。（在[衡量 ML 模型准确度](binary-model-insights.md#measuring-ml-model-accuracy)中了解有关 AUC 的更多信息。） 让我们看一看 AUC 指标，然后调整分数阈值或截断值，以优化您的模型的预测性能。 **查看您的 ML 模型的 AUC 指标** 1. 在 **ML 模型摘要**页面上的 **ML 模型报告**导航窗格中，依次选择**评估**、**评估: ML 模型: 银行模型 1** 和 **摘要**。 1. 在**评估摘要**页面上，查看评估摘要，包括模型的 AUC 性能指标。 ![\[ML model performance metric showing extremely good quality score with AUC of 0.94.\]](http://docs.aws.amazon.com/zh_cn/machine-learning/latest/dg/images/image24.png) ML 模型为预测数据源中的每个记录生成数字预测分数，然后应用一个阈值将这些分数转化为二进制标签 0（表示“否”）或 1（表示“是”）。通过更改*分数阈值*，您可以调整 ML 模型如何分配这些标签。现在，设置分数阈值。 **为 ML 模型设置分数阈值** 1. 在**评估摘要**页面上，选择**调节分数阈值**。 ![\[ML model performance chart showing predicted distributions for "1" and "0" records with adjustable score threshold.\]](http://docs.aws.amazon.com/zh_cn/machine-learning/latest/dg/images/image25.png) 通过调整分数阈值，您可以优化您的 ML 模型的性能指标。调整此值会更改置信度级别，因为必须先对模型进行预测，然后才能将预测视为阳性。此外，它还会更改您在预测中可以容忍的假阴性和假阳性的数量。 您可以通过增加分数阈值来控制模型视为阳性预测的截断值，直到它仅将具有最大真阳性可能性的预测视为阳性。您也可以减少分数阈值，直到不再有任何假阴性。选择您的截断值，以反映您的业务需求。在本教程中，每个假阳性都会花费活动资金，因此我们需要较高的真阳性与假阳性比率。 1. 假设您希望将目标放在可能订阅产品的前 3% 的客户。滑动垂直选择器，将分数阈值设置为与 **%3 的记录的预测值为“1”**相对应的值。 ![\[ML model performance chart showing distribution of predicted answers for "1" and "0" records.\]](http://docs.aws.amazon.com/zh_cn/machine-learning/latest/dg/images/image26.png) 请注意此分数阈值对 ML 模型性能的影响：假阳性错误比率为 0.007。我们假定该假阳性比率可接受。 1. 选择**将分数阈值保存在 0.77**。 每次使用此 ML 模型进行预测时，它将分数超过 0.77 的记录预测为“1”，将其余记录预测为“0”。 要了解有关分数阈值的更多信息，请参阅[二元分类](binary-classification.md)。 现在您已准备就绪，可以[使用您的模型创建预测](step-5-create-predictions.md)。