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。
F1 宏
F1 Macro 是每个类别的平均 F1 值，没有加权，也就是说，所有类别都被同等对待。
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。
预测速度
预测速度是一种适用于所有模型类型的模型度量：二元分类、多类分类和回归。预测速度衡量机器学习模型生成预测的速度。
在 Qlik Predict 中，使用组合特征计算时间和测试数据集预测时间来计算预测速度。它以每秒行数显示。
运行实验版本后，可在模型指标表中分析预测速度。在使用嵌入式分析来分析模型时，您还可以查看预测速度数据。有关更多信息，请参阅：
注意事项
测量的预测速度基于训练数据集的大小，而不是基于进行预测所用的数据。部署模型后，如果训练数据和预测数据的大小相差很大，或者在一个或少数几个数据行上创建实时预测时，您可能会注意到创建预测速度之间的差异。