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。有关更多信息，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。有关更多信息，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。