Poängsättning av flerklassiga klassificeringsmodeller

Klassificering med flera klasser är när du försöker förutsäga ett enda diskret resultat som i binär klassificering, men med fler än två klasser. Klassificeringsmodeller med flera klasser poängsätts med olika medelvärden av F1.

Under träningen av ett experiment för multiklassklassificering autogenereras följande diagram för snabbanalys av de genererade modellerna:

• Permutationsbetydelse: Ett diagram i vilket funktionerna visas i ordning från högsta inflytande (största inverkan på modellens prestanda) till lägsta inflytande (minsta inverkan på modellens prestanda). Mer information finns i Permutationsbetydelse.

• SHAP-betydelse: Ett diagram som anger hur mycket varje funktion påverkar det förutspådda resultatet. Mer information finns i SHAP-betydelse vid experimentträning.

Makro-F1

Makro-F1 är det genomsnittliga F1-värdet för varje klass utan viktning, dvs. alla klasser behandlas lika.

Mikro-F1

Mikro-F1 är F1-värdet beräknat för hela sammanblandningsmatrisen. De totala sant positiva, falskt negativa och falskt positiva resultaten räknas. Att beräkna Mikro-F1-poängen är likvärdigt med att beräkna den globala precisionen eller den globala träffmängden.

Viktad F1

Viktad F1 motsvarar den binära klassificeringen F1. Den beräknas för varje klass och kombineras sedan som ett viktat genomsnitt med hänsyn till antalet poster för varje klass.

Noggrannhet

Med noggrannhet mäts hur ofta modellen i genomsnitt gjorde en korrekt prognos. Den beräknas som antalet exakt matchande prognoser dividerat med antalet urval.