Modelli di classificazione multiclasse a punteggio

La classificazione multiclasse si ha quando si cerca di prevedere un singolo risultato discreto come nella classificazione binaria, ma con più di due classi. I modelli di classificazione multiclasse sono valutati in base a diverse medie di F1.

Durante il training dell'esperimento di una classificazione multiclasse, i seguenti grafici vengono generati automaticamente per fornire un'analisi rapida dei modelli generati:

• Importanza della permutazione: un grafico in cui le funzioni sono visualizzate in ordine, dalla massima influenza (maggiore impatto sulle prestazioni del modello) alla minima influenza (minore impatto sulle prestazioni del modello). Per ulteriori informazioni, vedere Importanza della permutazione.

• Importanza SHAP: un grafico che rappresenta quanto ogni funzione influenza l'esito previsto. Per ulteriori informazioni, vedere Importanza SHAP nell'addestramento dell'esperimento.

Macro F1

Macro F1 è il valore medio di F1 per ogni classe senza ponderazione, cioè tutte le classi sono trattate allo stesso modo.

Micro F1

Micro F1 è il valore F1 calcolato sull'intera matrice di confusione. Vengono contati il totale dei veri positivi, dei falsi negativi e dei falsi positivi. Il calcolo del punteggio Micro F1 è equivalente al calcolo della precisione globale o del richiamo globale.

F1 ponderato

L'F1 ponderato corrisponde alla classificazione binaria F1. Viene calcolato per ogni classe e poi combinato come media ponderata tenendo conto del numero di record per ogni classe.

Accuratezza

L'accuratezza misura la frequenza con cui il modello ha fatto una previsione corretta in media. È calcolata come il numero di previsioni esattamente corrispondenti diviso per il numero di campioni.