跳到主要内容 跳到补充内容

多类分类模型评分

多类分类是指您试图预测一个单独的离散结果,如二进制分类,但有两个以上的类。多类别分类模型通过 F1 的不同平均值进行评分。

在多类别分类实验的训练过程中,自动生成以下图表,以提供对生成的模型的快速分析:

  • Permutation importance:一种图表,在其中特征按照从最高影响(对模型性能的最大影响)到最低影响(对性能的最小影响)的顺序显示。有关详细信息,请参阅permutation importance

  • SHAP importance:表示每个特征对预测结果的影响程度的图表。有关详细信息,请参阅实验训练中的 SHAP 重要性

宏 F1

宏 F1 是没有加权的每个类的平均 F1 值,也就是说,所有类都被同等对待。

宏 F1

微型 F1 是整个 Confusion Matrix 中计算的 F1 值。统计总的真阳性、假阴性和假阳性。计算微型 F1 分数相当于计算全局精度或全局召回。

加权 F1

加权 F1 对应于二进制分类 F1。它是为每个类别计算的,然后作为加权平均值进行组合,同时考虑到每个类别的记录数量。

准确性

准确度衡量模型平均做出正确预测的频率。它被计算为精确匹配预测的数量除以样本数量。

了解详情

本页面有帮助吗?

如果您发现此页面或其内容有任何问题 – 打字错误、遗漏步骤或技术错误 – 请告诉我们如何改进!