このページ上

メインコンテンツをスキップする

このページは役に立ちましたか?

このページまたはコンテンツに、タイポ、ステップの省略、技術的エラーなどの問題が見つかった場合は、お知らせください。改善に役立たせていただきます。

多項分類モデルのスコアリング

多項分類は、二項分類のように単一の離散結果を予測しようとしますが、2 つ以上のクラスが存在します。多項分類モデルは、F1 の異なる平均によってスコア付けされます。

多項分類の実験のトレーニング中、次のチャートが自動で生成され、生成されたモデルを素早く分析できます。

Permutation importance: 影響が最も大きい特徴量 (モデルパフォーマンスへの影響が最も大きい) から、影響が最も小さい特徴量 (モデルパフォーマンスへの影響が最も小さい) の順番で表示されるチャート。詳細については、「Permutation Importance」を参照してください。
SHAP importance: 予測される結果に対する各特徴量の影響度を表すチャート。詳細については、「実験トレーニングにおける SHAP Importance」を参照してください。

Macro F1 は、加重なしの各クラスの平均 F1 値です。つまり、すべてのクラスが同等に扱われます。

Micro F1 は、混同行列全体で計算された F1 値です。真陽性、偽陰性、偽陽性の合計がカウントされます。Micro F1 スコアの計算は、グローバル適合率またはグローバル再現率の計算と同じです。

Weighted F1 は、二項分類の F1 に相当します。クラスごとに計算され、各クラスのレコード数を考慮した加重平均として組み合わせられます。

正確度は、モデルが正しい予測を行った頻度の平均を測定します。正確に一致する予測の数をサンプル数で割ったものとして計算されます。