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.

F1 Makro

Makro-F1 är det genomsnittliga F1-värdet för varje klass utan viktning, d.v.s. 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.

Förutsägelsehastighet

Prognoshastighet är ett modellmått som gäller för alla modelltyper: binär klassificering, flerklassig klassificering och regression. Prognoshastighet mäter hur snabbt en maskininlärningsmodell kan generera prognoser.

På Qlik Predict beräknas prognoshastigheten med hjälp av den kombinerade beräkningstiden för funktioner och prognostiden för testdatauppsättning. Det visas i rader per sekund.

Prognoshastigheten kan analyseras i tabellen Modellmätvärden efter att du har kört din experimentversion. Du kan också visa data om prognoshastighet när du analyserar modeller med inbäddad analys. Mer information finns här:

• Analysera tabellen modellmätvärden

• Jämförelse av modeller