Puntuación de modelos de clasificación multiclase
La clasificación multiclase es cuando intentamos predecir un único resultado discreto como en la clasificación binaria, pero con más de dos clases. Los modelos de clasificación multiclase se puntúan mediante diferentes promedios de F1.
Macro F1
Macro F1 es el valor F1 promedio para cada clase sin ponderación, es decir, todas las clases se tratan por igual.
Micro F1
Micro F1 es el valor F1 calculado en toda la matriz de confusión. Se cuenta el total de verdaderos positivos, falsos negativos y falsos positivos. Calcular la puntuación Micro F1 es equivalente a calcular la precisión global o la exhaustividad (sensibilidad) global.
F1 ponderado
El F1 ponderado corresponde a la clasificación binaria F1. Se calcula para cada clase y luego se combina como un promedio ponderado teniendo en cuenta el número de registros de cada clase.
Exactitud
La exactitud mide la frecuencia promedio con la que el modelo realiza una predicción correcta. Se calcula como el número de predicciones exactamente coincidentes dividido por el número de muestras.
Velocidad de predicción
La velocidad de predicción es una métrica de modelos que se aplica a todos los tipos de modelos: clasificación binaria, clasificación multiclase y regresión. La velocidad de predicción mide la rapidez con la que un modelo de aprendizaje automático es capaz de generar predicciones.
En Qlik Predict, la velocidad de predicción se calcula utilizando el tiempo combinado de cálculo de las características y el tiempo de predicción del conjunto de datos de prueba. Se muestra en filas por segundo.
La velocidad de predicción puede analizarse en la tabla Métricas del modelo tras ejecutar su versión del experimento. También puede ver los datos de velocidad de predicción cuando analice modelos con análisis integrados. Para más información, vea:
Consideraciones
La velocidad de predicción medida se basa en el tamaño del conjunto de datos de entrenamiento y no en los datos sobre los que se realizan las predicciones. Después de implementar un modelo, es posible que note diferencias entre la rapidez con la que se crean las predicciones si los datos de entrenamiento y de predicción difieren mucho en tamaño, o cuando se crean predicciones en tiempo real sobre una o varias filas de datos.