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。

# 機器學習度量
<a name="machine-learning-terminology"></a>

若要了解用來調校您機器學習轉換的度量，建議您先熟悉以下術語：

**真肯定 (TP)**  
轉換在資料中正確找到的相符項目，有時候稱為「命中」**。

**真否定 (TN)**  
轉換在資料中正確拒絕的不相符項目。

**假肯定 (FP)**  
轉換在資料中不正確地分類為相符項目的不相符項目，有時候稱為「錯誤警示」**。

**假否定 (FN)**  
轉換在資料中並未找到的相符項目，有時候稱為「未中」**。

如需機器學習中所使用術語的詳細資訊，請參閱 Wikipedia 中的 [Confusion matrix](https://en.wikipedia.org/wiki/Confusion_matrix)。

若要調校您的機器學習轉換，您可以在轉換的 **Advanced properties (進階屬性)** 中變更下列度量的值。
+ **Precision (精確度)** 會測量轉換在識別為肯定 (真肯定和假肯定) 的記錄總數中，找到真肯定的效果有多好。如需詳細資訊，請參閱 Wikipedia 中的 [Precision and recall](https://en.wikipedia.org/wiki/Precision_and_recall)。
+ **Recall (取回率)** 會測量從來源資料的所有記錄中，轉換找到真肯定的效果有多好。如需詳細資訊，請參閱 Wikipedia 中的 [Precision and recall](https://en.wikipedia.org/wiki/Precision_and_recall)。
+ **Accuracy (準確性)** 會測量轉換找到真肯定和真否定的效果有多好。提高正確性需要更多的機器資源和成本。但也會增加回收率。如需詳細資訊，請參閱 Wikipedia 中的 [Accuracy and precision](https://en.wikipedia.org/wiki/Accuracy_and_precision#In_information_systems)。
+ **Cost (成本)** 會測量執行轉換需要使用多少運算資源 (以及因此產生的金錢成本)。