# 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](https://help.qlik.com/pl-PL/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/scoring-binary-classification.htm#F1).

## Makro F1

Makro F1 to uśredniona wartość F1 dla każdej klasy bez ważenia, co oznacza, że 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.

## Szybkość predykcji

Szybkość przewidywania to wskaźnik modelu, który ma zastosowanie do wszystkich typów modeli: klasyfikacji binarnej, klasyfikacji wieloklasowej, regresji i szeregów czasowych. Szybkość przewidywania mierzy, jak szybko model uczenia maszynowego jest w stanie generować predykcje.

W Qlik Predict szybkość predykcji jest obliczana na podstawie połączonego czasu obliczania cech i czasu predykcji zestawu danych testowych. Jest wyświetlana w wierszach na sekundę.

Szybkość przewidywania można przeanalizować w tabeli Wskaźniki modelu po uruchomieniu wersji eksperymentu. Dane dotyczące szybkości przewidywania można również wyświetlać podczas analizowania modeli z wbudowaną analityką. Więcej informacji zawiera temat:

* [Analiza tabeli metryk modelu](https://help.qlik.com/pl-PL/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/analyze-models-quick.htm#Analyzing)

* [Porównanie modeli](https://help.qlik.com/pl-PL/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/analyze-models-compare.htm)

### Uwagi

Zmierzona szybkość przewidywania jest oparta na rozmiarze zbioru danych do uczenia, a nie na danych, na których dokonywane są predykcje. Po wdrożeniu modelu można zauważyć różnice w szybkości tworzenia predykcji, jeśli dane do uczenia i do predykcji różnią się znacznie rozmiarem lub podczas tworzenia prognoz w czasie rzeczywistym na jednym lub kilku wierszach danych.

## Metryki tendencyjności

Oprócz tych metryk dostępne są również liczne metryki stronniczości dla cech, dla których uruchamiasz wykrywanie stronniczości. Niektóre z tych metryk są specyficzne dla typu modelu, który trenujesz. Więcej informacji zawiera temat [Wykrywanie stronniczości w modelach uczenia maszynowego](https://help.qlik.com/pl-PL/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/bias-detection.htm).