Score geven aan multiclass-classificatiemodellen
Multiclass-classificatie is wanneer u probeert één discrete uitkomst te voorspellen als in een binaire classificatie, maar met meer dan twee klassen. De score voor multiclass-classificatiemodellen wordt vastgesteld op basis van verschillende gemiddelden van F1.
Tijdens de training van een multiclass-classificatie-experiment, worden automatisch de volgende diagrammen gegenereerd voor een snelle analyse van de gegenereerde modellen:
-
Permutatiebelang: een diagram waarin kenmerken weergegeven op volgorde van meeste invloed (grootste impact op de prestatie van het model) tot de minste invloed (kleinste impact op de prestatie van het model). Ga voor meer informatie naar Permutatie-urgentie.
-
SHAP importance: een diagram dat weergeeft in welke mate elk kenmerk invloed heeft op de voorspelde uitkomst. Ga voor meer informatie naar SHAP importance in experimenttrainingen.
Macro F1
Macro F1 is de gemiddelde F1-waarde voor iedere klasse zonder weging, dat wil zeggen: alle klassen worden gelijk behandeld.
Micro F1
Micro F1 is de F1-waarde die wordt berekend voor de gehele verwarringsmatrix. Het totale aantal waar-positieve, fout-negatieve en fout-positieve waarden wordt meegerekend. Berekening van de micro F1-score staat gelijk aan de berekening van de algehele precisie of de algehele recall.
Gewogen F1
Gewogen F1 komt overeen met de binaire classificatie F1. Dit wordt voor iedere klasse berekend en vervolgens gecombineerd als een gewogen gemiddelde dat rekening houdt met het aantal records per klasse.
Nauwkeurigheid
Nauwkeurigheid meet hoe vaak het model gemiddeld een juiste voorspelling heeft gedaan. Dit wordt berekend als het aantal exact overeenkomende voorspellingen, gedeeld door het aantal voorbeeldwaarden.