多項分類モデルのスコアリング
Last updated: 2026/08/25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。
F1 マクロ
F1 マクロは、重み付けなしで各クラスの F1 値を平均化したものです。そのため、どのクラスも等しく扱われます。
Micro F1
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
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
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。
予測速度
予測速度は、二項分類、多項分類、回帰、時系列など、すべてのモデル タイプに適用されるモデル メトリクスです。予測速度は、機械学習モデルが予測を生成できる速度を測定します。
Qlik Predict では、予測速度は特徴量の計算時間とテスト データセットの予測時間を組み合わせて計算されます。表示単位は 1 秒あたりの行数です。
予測速度は、実験バージョンを実行した後に [モデル メトリクス] テーブルで分析できます。組み込み分析を使用してモデルを分析するときに、予測速度データを表示することもできます。詳細は以下をご覧ください。
考慮事項
測定される予測速度は、予測の対象となるデータではなく、トレーニング データセットのサイズに基づいています。モデルを展開した後、トレーニング データと予測データのサイズが大きく異なる場合や、1 行または少数のデータ行に対してリアルタイム予測を作成する場合に、予測が作成される速度に違いが見られる可能性があります。
バイアス メトリクス
これらのメトリクスに加えて、バイアス検出を実行する対象となる特徴量に対して、いくつかのバイアス メトリクスも使用できます。これらのメトリクスの一部は、トレーニングしているモデル タイプに固有です。詳細については、「機械学習モデルにおけるバイアスの検出」を参照してください。