分類された例の真のラベルに対する正解率を測定する：

この測定値の統計的不確かさを得る：

正解率を（最も可能性の高い検定集合，この場合は"B" を予測する）ベースラインと比較する：

同じデータについてエラーを測定する：

エラーと正解率の和が1になることを確認する：

最後の2つの例の重みを大きくして正解率を測定する：

MNISTデータについて訓練集合と検定集合を作成する：

モデルを訓練集合で訓練する：

モデルの検定集合に対する正解率を計算する：

検定集合に対する上位3つのモデルの正解率を計算する（真のクラスが確率が最も高い上位3つの予測に含まれている場合，分類は正しいとみなされる）：

分類された例のコーエン(Cohen)のカッパ係数を，それらの真のラベルに対して測定する：

同じデータについてスコット(Scott)の π 係数を測定する：

MNISTデータについて訓練集合と検定集合を作成する：

モデルを訓練集合で訓練する：

この検定集合に対するこの分類器についての分類器測定オブジェクトを作成する：

最悪の分類（正しいクラスに対して最低の確率）となった10の検定例を求める：

これらの正しいクラス確率を計算する：

最良の分類となった検定例を10例求める：

これらの正しいクラス確率を計算する：

混同行列を可視化する：

混同行列を抽出する：

検定で"5"に分類された"3"の例の数を取り出す：

最も頻繁に混同される5つのクラスを求める：

混同行列を互いに最も頻繁に混同される3クラスの集合に制限する：

混同行列を混同されることが最も少ない3つのクラスの集合に制限する：

混同行列を"1"，"4"，"9"のクラスに制限する：

"9"と混同された"4"の例を取り出す：

フィッシャー(Fisher)の「アヤメ」のデータ集合をロードする：

訓練集合と検定集合を作成する：

属性からアヤメの種を識別するように分類器を訓練する：

検定集合の対数尤度（正しいクラスの対数確率の総数）を測定する：

平均交差エントロピーを測定する：

平均交差エントロピーは負の対数尤度の平均である：

正しいクラスについての確率の幾何平均を測定する：

幾何平均は平均交差エントロピーと関連がある：

MNISTデータについての訓練集合と検定集合を作成する：

確率キャリブレーションが非アクティブにされているランダムフォレスト分類器を訓練する：

ロジットスケールで検定集合の分類器の信頼性図（別名検量線）を可視化する：

線形スケールを使って同じ信頼性図を可視化する：

キャリブレーションがアクティブになっているところで分類器を訓練する：

その信頼性図をロジットとスケールで可視化する：

その信頼性図を線形スケールで可視化する：

フィッシャーの「アヤメ」のデータ集合をロードする：

訓練集合と検定集合を作る：

アヤメの種を属性から識別するように分類器を訓練する：

可能な各「陽性」クラスについてROC曲線を計算する：

これらの曲線の下の面積を計算する：

可能な各「陽性」クラスのF₁スコアを測定する：

玉虫色が「陽性」クラスであればF₁スコアを測定する：

すべてのF₁スコアの平均を出す：

クラスの事前確率に従って各スコアに重みを付ける：

すべてのクラスの真陽性率／真陰性率等の例を結合することでF₁スコアを計算し，一意的な測定値を与える：

"Satellite"データ集合の訓練集合と検定集合をロードする：

訓練集合について分類器を訓練する：

訓練集合について分類器を訓練する：

分類器がClassPriorsの異なる値を持つ場合の混同集合を可視化する：

まずClassifierMeasurementsObjectを生成して，同じ操作を行う：

"Titanic"データ集合の訓練集合と検定集合をロードする：

訓練集合について分類器を訓練する：

検定集合についての分類器の混同行列を可視化する：

分類器が別のIndeterminateThresholdの値を持つ場合に得られる混同行列を可視化する：

IndeterminateThresholdの異なる値について，検定集合についての分類器の正解率を測る：

正解率対棄却の曲線を可視化する：

ニューラルネットワークを使って分類器を訓練する：

TargetDeviceのさまざまな設定について，検定集合に対する分類器の正解率を測る：

"Mushroom"データ集合の訓練集合と検定集合をロードする：

訓練集合の一部について，分類器を訓練する：

検定集合についての分類器の混同行列を可視化する：

分類器が別のUtilityFunctionの値を持つ場合に得られる混同行列を可視化する：

まずClassifierMeasurementsObjectを生成し，同じ操作を行う：

映画評の断片を"positive"か"negative"かに分類する分類器を訓練する：

検定集合を使ってClassifierMeasurements[…]オブジェクトを生成する：

正解率の評価測度値を不確実性とともに取得する：

他の特性の評価測度値を不確実性とともに取得する：

訓練集合についての分類器を作る：

各検定例が持つ重みを指定して，評価測度オブジェクトを生成する：

正解率を計算する：

評価測度オブジェクトを使うときは，重みもまた変更することができる：

不確実性は重みの影響も受ける：