Çok sınıflı sınıflandırma modellerini puanlama
Çok sınıflı sınıflandırma, ikili sınıflandırmada olduğu gibi ancak ikiden fazla sınıf içinden tek bir ayrık sonucu tahmin etmeye çalıştığınızda ortaya çıkar. Çok sınıflı sınıflandırma modelleri farklı F1 ortalamalarına göre puanlanır.
F1 Makro
F1 Makro, ağırlıklandırma olmadan her bir sınıf için ortalaması alınmış F1 değeridir, yani tüm sınıflar eşit şekilde ele alınır.
Mikro F1
Mikro F1, confusion matrix'in tamamında hesaplanmış F1 değeridir. Toplam gerçek pozitif, hatalı negatif ve hatalı pozitif sayıları hesaba katılır. Mikro F1 puanı hesaplaması, global precision veya global recall hesaplamasına denktir.
Ağırlıklı F1
Ağırlıklı F1, ikili sınıflandırma F1 değerine karşılık gelir. Her sınıf için hesaplanır ve ardından her sınıftaki kayıt sayısı dikkate alınarak ağırlıklı ortalama olarak toplanır.
Doğruluk
Doğruluk, bir modelin ortalama olarak doğru tahmini ne sıklıkta yaptığını ölçer. Tam eşleşen tahminlerin sayısının, toplam örnek sayısına bölünmesiyle hesaplanır.
Tahmin hızı
Tahmin hızı tüm model türleri için geçerli olan bir model metiriğidir: ikili sınıflandırma, çok sınıflı sınıflandırma ve regresyon. Tahmin hızı, bir makine öğrenimi modelinin ne kadar hızlı tahmin üretebildiğini ölçer.
Qlik Predict içinde tahmin hızı, birleşik özellik hesaplama süresi ve test veri kümesi tahmin süresi kullanılarak hesaplanır. Saniye başına satır olarak görüntülenir.
Tahmin hızı, deney sürümünüzü çalıştırdıktan sonra Model metrikleri tablosunda analiz edilebilir. Eklenmiş analizler içeren modelleri analiz ederken tahmin hızı verilerini de görüntüleyebilirsiniz. Daha fazla bilgi için bk.
Dikkat edilmesi gereken noktalar
Ölçülen tahmin hızı, tahminlerin yapıldığı verilerden ziyade eğitim veri kümesinin boyutuna dayanmaktadır. Bir modeli dağıttıktan sonra, eğitim ve tahmin verilerinin boyutları büyük ölçüde farklıysa veya bir ya da birkaç veri satırı üzerinde gerçek zamanlı tahminler oluştururken tahminlerin oluşturulma hızları arasında farklılıklar olduğunu görebilirsiniz.