这篇博文是我们的第五篇关于操作阈值的帖子系列那关注自动化的两种方式在我们的预测（单个或批次）和评估中使用操作阈值。第一种方式涉及嗖嗖，Bbeplay2网页登陆igml的机器学习工作流自动化的特定语言。它允许您在服务器端（具有内置并行化）上完全计算的复杂任务，其中涉及的所有资源被Bigml视为一流的公民。beplay2网页登陆

自动操作阈值的第二种方法涉及套绑定BigMLbeplay2网页登陆认为那这允许开发人员以他们喜欢的编程语言一起工作，因为它们与BigML平台互动。beplay2网页登陆Python绑定已更新以处理我们覆盖的最新平台功​​能，因此我们将在此帖子中使用它。但是，还有其他绑定选项，如Java，C＃或Node.js.

操作阈值可用于任何分类模型：决策树模型、集合、逻辑回归和deepnet（神经网络）。它们可以提高单次和批量预测的质量，从而提高评估的质量。

让我们看看如何使用Whizzm。在我们的示例中，我们将处理具有两种可能输出的分类器：好的或坏的。我们有兴趣改善落入的情况的分类好的类别，所以我们将此项设置为正值班级。为确保减少错误分类，我们将考虑我们的模型预测好的除非可能性此预测的百分比超过了60%的阈值。要查看这是否提高了模型的性能，我们可以通过嗖嗖。

；为单个模型创建评估设置操作点（定义我的评价(创建评估{“模型”我的模型“数据集”测试数据集“操作点”{“种类”“概率”“passion_class”“好的”“临界点”0.6}}）））

记住几乎所有人beplay2网页登陆资源（预测和项目除外）是异步的，因此如果要使用评估我的评价或其组件，如准确性，精度等，您需要确保创建过程实际完成。这就是下一个代码片段的代码。

;;使用操作点创建评估;对于DeepNet并检索其精确度（定义我的评估精度（进去（创建和等待评估{“深海网”我的深度“数据集”测试数据集“操作点”{“种类”“概率”“passion_class”“好的”“临界点”0.6}}）[“结果”“模型”“精度”]））

如果你喜欢这个beplay2网页登陆Bigml Python绑定，等效代码是：

从…起beplay2网页登陆bigml.api.进口beplay2网页登陆应用程序编程接口=beplay2网页登陆（）args={“操作点”: {“种类”：“概率”那“passion_class”：“好的”那“临界点”：0.6}}我的评估=应用程序编程接口。create_evaluation.（“deepnet/59b0f8c7b95b392f12000003”那“DataSet / 59B0F8C7B95B392F12000001”，args）api.ok（my_evaluation）precision = my_evalization [“对象”][“结果”][“模型”][“精度”]

有关这些和其他方面的更多详细信息评估属性，请检查专用API文档。

还可以通过使用该操作阈值来计算单个预测。实际上，通过对已经知道其输出已经知道的单个预测的匹配来计算这些评估。让我们看看如何设置一个信心使用逻辑回归进行预测的阈值为0.66嗖嗖。

;; 创建单个预测设置置信阈值（定义我的预测(创建预测{“LogisticRegression”我的后勤“输入数据”{“000001”0.35那“000002”1.2}“操作点”{“种类”“信心”“passion_class”“好的”“临界点”0.66}}）））

这加其他预言属性也在解释中API文档.使用beplay2网页登陆BigML Python绑定，等效代码如下：

从…起beplay2网页登陆bigml.api.进口beplay2网页登陆api = beplay2网页登陆bigml（）args = {“操作点”: {“种类”：“信心”那“passion_class”：“好的”那“临界点”：0.66}}} input_data = {“000001”：0.35那“000002”：1.2}后勤id=“逻辑回归/59b0f8c7b95b392f12000000”my_prediction=api.创建_预测（逻辑_id、输入_数据、参数）

如上所述，您也可以使用操作阈值为您批量预测. 下面您可以看到如何在中创建批处理预测嗖嗖通过使用十个模型的集合，我们指定至少六个模型在其预测中返回正类。

；；创建批预测设置；；基于投票数的阈值（定义我的预测(Create-BatchPrediction.{“合奏”my_ensemble.“数据集”my_数据集“操作点”{“种类”“投票”“passion_class”“好的”“临界点”6.}}）））

与之beplay2网页登陆BigML Python绑定，您应该将此代码写为：

从…起beplay2网页登陆bigml.api.进口beplay2网页登陆api = beplay2网页登陆bigml（）args = {“操作点”: {“种类”：“投票”那“passion_class”：“好的”那“临界点”：6.}}合奏=“合奏/59b0f8c7b95b392f12000001”数据集=“DataSet / 59B0F8C7B95B392F12000003”my_batch_prediction=api.create_batch_prediction（集成、数据集、参数）

简单，对吧？如果这是你第一次使用我们的机器学习的域特定语言我们建议您检查一下博客帖子系列熟悉Whizzm。

想了解更多关于操作阈值的信息吗？

如果您有任何问题或想了解有关操作阈值如何工作的更多信息，请访问专用发布页面。它包括A.六篇博文系列关于操作阈值，BigML仪表板和APIbeplay2网页登陆文件， 这网络研讨会幻灯片以及完整的网络研讨会录音。