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

## Macro F1

F1 Macro é o valor médio de F1 para cada classe sem ponderação, ou seja, todas as classes 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.

## Velocidade de previsão

Velocidade de previsão é uma métrica de modelo que se aplica a todos os tipos de modelo: classificação binária, classificação multiclasse, regressão e série temporal. A velocidade de previsão mede a rapidez com que um modelo de aprendizado de máquina pode gerar previsões.

No Qlik Predict, a velocidade de previsão é calculada usando o tempo combinado de computação do recurso e o tempo de previsão do conjunto de dados de teste. Ela é exibida em linhas por segundo.

A velocidade de previsão pode ser analisada na tabela Métricas do modelo após a execução da versão do experimento. Você também pode visualizar os dados de velocidade de previsão ao analisar modelos com análise incorporada. Para obter mais informações, consulte:

* [Analisando a tabela de métricas do modelo](https://help.qlik.com/pt-BR/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/analyze-models-quick.htm#Analyzing)

* [Comparando modelos](https://help.qlik.com/pt-BR/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/analyze-models-compare.htm)

### Considerações

A velocidade de previsão medida baseia-se no tamanho do conjunto de dados de treinamento, e não nos dados nos quais as previsões são feitas. Após implementar um modelo, você poderá notar diferenças entre a rapidez com que as previsões são criadas se o tamanho dos dados de treinamento e de previsão for muito diferente, ou ao criar previsões em tempo real em uma ou poucas linhas de dados.

## Métricas de viés

Além dessas métricas, várias métricas de viés também estão disponíveis para recursos nos quais você executa a detecção de viés. Algumas dessas métricas são específicas para o tipo de modelo que você está treinando. Para obter mais informações, consulte [Detectando viés em modelos de aprendizado de máquina](https://help.qlik.com/pt-BR/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/bias-detection.htm).