Ocenianie modeli klasyfikacji wieloklasowej

Klasyfikacja wieloklasowa ma miejsce, gdy próbuje się przewidzieć pojedynczy dyskretny wynik, jak w przypadku klasyfikacji binarnej, ale z więcej niż dwiema klasami. Modele klasyfikacji wieloklasowej są oceniane na podstawie różnych średnich F1.

Podczas uczenia eksperymentu z klasyfikacją wieloklasową są generowane automatycznie następujące wykresy, aby umożliwić szybką analizę wygenerowanych modeli:

• Ważność permutacji: wykres, na którym cechy są wyświetlane w kolejności od największego wywieranego przez nie wpływu na wydajność modelu do najmniejszego. Aby uzyskać więcej informacji, zobacz temat Ważność permutacji.

• Ważność SHAP: Wykres przedstawiający wpływ poszczególnych cech na przewidywany wynik. Aby uzyskać więcej informacji, zobacz temat Ważność SHAP w uczeniu eksperymentów.

Makro F1

Makro F1 to uśredniona wartość F1 dla każdej klasy bez ważenia, a zatem wszystkie klasy są traktowane jednakowo.

Mikro F1

Mikro F1 to wartość F1 obliczona dla całej tablicy pomyłek. Zliczana jest całkowita liczba wyników prawdziwie pozytywnych, fałszywie negatywnych i fałszywie pozytywnych. Obliczenie wyniku Micro F1 jest równoznaczne z obliczeniem globalnej precyzji lub globalnej czułości.

Ważone F1

Ważone F1 odpowiada F1 klasyfikacji binarnej. Obliczane jest dla każdej klasy, a następnie sumowane jako średnia ważona uwzględniająca liczbę rekordów dla każdej klasy.

Dokładność

Dokładność mierzy średnio, jak często model dokonywał poprawnych predykcji. Oblicza się ją jako liczbę dokładnie pasujących predykcji podzieloną przez liczbę próbek.