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.

Bir çok sınıflı sınıflandırma deneyinin eğitimi sırasında, oluşturulan modellerin hızlı bir şekilde analiz edilmesini sağlamak için aşağıdaki grafikler otomatik olarak oluşturulur:

• Permütasyon önemi: Özelliklerin, en etkili olandan (model performansında en büyük etkiye sahip olan) en az etkili olana (model performansında en az etkiye sahip olan) sıralamasıyla görüntülenen bir grafik. Permütasyon önemi

• SHAP'nin önemi: Her bir özelliğin tahmin edilen sonucu ne kadar etkilediğini gösteren bir grafik. Deney eğitiminde SHAP'ın önemi

Makro F1

Makro F1, her sınıf için, ağırlık belirlemeden ortalaması alınmış F1 değeridir. Tüm sınıflar eşit işlem görür.

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.