Pontuando modelos de classificação multiclasse

Classificação multiclasse é quando você está tentando prever um único resultado discreto como na classificação binária, mas com mais de duas classes. Os modelos de classificação multiclasse são pontuados por diferentes médias de F1.

Durante o treinamento de um experimento de classificação multiclasse, os gráficos a seguir são gerados automaticamente para fornecer uma análise rápida dos modelos gerados:

• Importância da permutação Um gráfico no qual os recursos são exibidos em ordem da maior influência (maior impacto no desempenho do modelo) à menor influência (menor impacto no desempenho do modelo). Para obter mais informações, consulte Importância da permutação.

• SHAP importance Um gráfico representando o quanto cada recurso influencia o resultado previsto. Para obter mais informações, consulte Importância de SHAP no treinamento experimental.

Macro F1

A macro F1 é o valor F1 médio de cada turma sem ponderação, ou seja, todas as turmas são tratadas igualmente.

Micro F1

Micro F1 é o valor F1 calculado em toda a confusion matrix. O total de verdadeiros positivos, falsos negativos e falsos positivos são contados. Calcular a pontuação Micro F1 é equivalente a calcular a precision global ou o recall global.

F1 ponderado

F1 ponderado corresponde à classificação binária F1. É calculado para cada classe e depois combinado como uma média ponderada levando em consideração o número de registros de cada classe.

Exatidão

A exatidão mede com que frequência o modelo fez uma previsão correta em média. É calculada como o número de previsões exatamente correspondentes dividido pelo número de amostras.