Évaluation des modèles de classification multiclasse

La classification multiclasse consiste à tenter de prédire un seul résultat discret sous forme de classification binaire, mais avec plus de deux classes. Les modèles de classification multiclasse sont évalués par différentes moyennes de score F1.

Lors de l'apprentissage d'une expérimentation Classification multiclasse, les graphiques suivants sont automatiquement générés pour fournir une analyse rapide des modèles générés :

• Permutation importance : graphique sur lequel les caractéristiques sont affichées dans l'ordre de la plus influente (celle ayant le plus gros impact sur les performances du modèle) à la moins influente (celle ayant le moins d'impact sur les performances du modèle). Pour plus d'informations, consultez Importance de la permutation.

• SHAP importance : graphique représentant le niveau d'influence de chaque caractéristique sur le résultat prédit. Pour plus d'informations, consultez SHAP importance dans l'apprentissage d'une expérimentation.

Macro F1

La valeur Macro F1 est la valeur F1 moyenne de chaque classe sans pondération, à savoir, toutes les classes sont traitées de la même façon.

Micro F1

La valeur Micro F1 est la valeur F1 calculée sur l'ensemble de la matrice de confusion. L'ensemble des vrais positifs, faux négatifs et faux positifs sont comptés. Le calcul du score Micro F1 revient à calculer la précision globale ou le rappel global.

Valeur F1 pondérée

La valeur F1 pondérée correspond à la valeur F1 de la classification binaire. Elle est calculée pour chaque classe, puis combinée sous forme de moyenne pondérée en tenant compte du nombre d'enregistrements de chaque classe.

Exactitude

L'exactitude mesure la fréquence moyenne à laquelle le modèle a effectué une prédiction correcte. Elle est calculée comme le nombre de prédictions de correspondance exacte divisé par le nombre d'échantillons.