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.

Durante el entrenamiento de un experimento de clasificación multiclase, los siguientes gráficos se generan automáticamente para proporcionar un análisis rápido de los modelos generados:

• Importancia de la permutación: Un gráfico en el que las características se muestran por orden, desde la influencia más alta (mayor impacto en el rendimiento del modelo) hasta la influencia más baja (menor impacto en el rendimiento del modelo). Para más información, vea Importancia de la permutación.

• Importancia de SHAP: Un gráfico que representa cuánto influye cada característica en el resultado previsto. Para más información, vea Importancia de SHAP en el entrenamiento de experimentos.

Macro F1

Macro F1 es el valor F1 promediado 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.