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.
F1 macro
F1-macro is de gemiddelde F1-waarde voor elke klasse zonder weging, dat betekend dat alle klassen gelijk worden 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.
Voorspellingssnelheid
Voorspellingssnelheid is een modeleenheid die van toepassing is op alle modeltypen: binaire classificatie, multiclass-classificatie, regressie en tijdreeks. Voorspellingssnelheid meet hoe snel een machine learning-model voorspellingen kan genereren.
In Qlik Predict wordt de voorspellingssnelheid berekend aan de hand van de gecombineerde berekeningstijd van functies en de voorspellingstijd van de testgegevensverzameling. Deze wordt weergegeven in rijen per seconde.
De voorspellingssnelheid kan worden geanalyseerd in de tabel Modelstatistieken nadat uw experimentversie is uitgevoerd. U kunt ook gegevens over de voorspellingssnelheid bekijken bij het analyseren van modellen met ingesloten analyses. Ga voor meer informatie naar:
Overwegingen
De gemeten voorspellingssnelheid is gebaseerd op de grootte van de trainingsgegevensverzameling in plaats van op de gegevens waarop voorspellingen worden gedaan. Na het implementeren van een model kunt u verschillen opmerken in de snelheid waarmee voorspellingen worden gemaakt als de trainings- en voorspellingsgegevens sterk in grootte verschillen, of als u realtime voorspellingen maakt op één gegevensrij of een handvol gegevensrijen.