當您產生交叉驗證報表時，報表會根據採礦模型類型包含每一個模型的精確度量值 (也就是之前用來建立模型的演算法)、可預測屬性的資料類型，以及可預測的屬性值 (如果有的話)。
本節列出交叉驗證報表中所使用的量值，並描述計算的方法。
如需依模型類型的精確度量值分解，請參閱＜交叉驗證報表中的量值＞。
交叉驗證量值所使用的公式
[!附註]
重要事項：這些精確度量值是針對每一個目標屬性計算而得。 您可以針對每一個屬性指定或省略目標值。 如果資料集內的案例沒有任何目標屬性值，此案例會視為擁有特殊值，稱為「遺漏值」(Missing Value)。 計算特定目標屬性的精確度量值時，不會計算有遺漏值的資料列。 請注意，由於分數是分別針對每一個屬性計算而得，因此如果目標屬性的值存在，而其他屬性有遺漏值，這樣並不會影響目標屬性的分數。
量值 |
適用於 |
實作 |
|---|---|---|
真肯定 |
離散屬性，已指定值 |
符合這些條件的案例計數：
|
真否定 |
離散屬性，已指定值 |
符合這些條件的案例計數：
|
誤判 |
離散屬性，已指定值 |
符合這些條件的案例計數：
|
誤否定 |
離散屬性，已指定值 |
符合這些條件的案例計數：
|
通過/失敗 |
離散屬性，沒有指定的目標 |
符合這些條件的案例計數：
|
增益 |
離散屬性。 您可以指定目標值，但並非必要條件。 |
包含目標屬性值之所有資料列的平均對數可能性，其中每一個案例的對數可能性會計算為 Log(ActualProbability/MarginalProbability)。 若要計算平均值，會將對數概似值的總和除以輸入資料集中的資料列數，不包括目標屬性擁有遺漏值的資料列。 增益可以是負值或正值。 正值代表優於隨機猜測的有效模型。 |
對數分數 |
離散屬性。 您可以指定目標值，但並非必要條件。 |
每一個案例之實際機率的對數，經過加總，然後除以輸入資料集中的資料列數目，不包括目標屬性擁有遺漏值的資料列。 由於機率會以小數表示，因此對數分數永遠為負數。 分數越接近 0，表示得分越高。 |
案例概似值 |
叢集 |
所有案例的叢集概似值分數總和，除以資料分割中的案例數目，不包括目標屬性擁有遺漏值的資料列。 |
平均絕對誤差 |
連續屬性 |
資料分割中所有案例的絕對錯誤總和，除以資料分割中的案例數目。 |
均方根誤差 |
連續屬性 |
資料分割之均方誤差的平方根。 |
均方根誤差 |
離散屬性。 您可以指定目標值，但並非必要條件。 |
機率分數補數平方之平均數的平方根，除以資料分割中的案例數目，不包括目標屬性擁有遺漏值的資料列。 |
均方根誤差 |
離散屬性，沒有指定的目標。 |
機率分數補數平方之平均數的平方根，除以資料分割中的案例數目，不包括目標屬性擁有遺漏值的案例。 |