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.
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.
Vitesse de prédiction
La vitesse de prédiction est une métrique de modèle qui s'applique à tous les types de modèle : classification binaire, classification multiclasse, régression et série temporelle. La vitesse de prédiction mesure la rapidité avec laquelle un modèle d'apprentissage automatique est capable de générer des prédictions.
Dans Qlik Predict, la vitesse de prédiction est calculée en combinant le temps de calcul des caractéristiques et le temps de prédiction du jeu de données test. Elle s'affiche en lignes par seconde.
La vitesse de prédiction peut être analysée dans le tableau Métriques des modèles après l'exécution de votre version d'expérimentation. Vous pouvez également afficher les données relatives à la vitesse de prédiction lorsque vous analysez des modèles avec des analyses intégrées. Pour plus d'informations, consultez :
Considérations
La vitesse de prédiction mesurée est basée sur la taille du jeu de données d'apprentissage et non sur les données sur lesquelles les prédictions sont effectuées. Après avoir déployé un modèle, vous remarquerez peut-être des différences dans la rapidité de création des prédictions si les données d'apprentissage et de prédiction sont de tailles très différentes, ou lors de la création de prédictions en temps réel sur une ou quelques lignes de données.