評分多類別分類模型
多類別分類的情況是您嘗試像在二進位分類一樣預測單一離散結果，但卻有超過兩個分類。多類別分類模型以 F1 的不同平均來評分。
F1 巨集
F1 巨集是每個分類的平均 F1 值，不含加權，亦即公平處理所有分類。
微 F1
微 F1 是在整個 confusion matrix 計算的 F1 值。會計入確判為真、誤否定和誤判總數。計算微 F1 分數等同於計算全域精確度或全域 recall。
加權 F1
加權 F1 對應至二進位分類 F1。會為每個類型計算，然後考慮每個分類的記錄數量，合併為加權平均。
準確度
準確度衡量模型平均而言正確預測的頻率。計算方式是確切相符預測的數量除以樣本數。
預測速度
預測速度是適用於所有模型類型的模型指標：二元分類、多類別分類和迴歸。預測速度衡量機器學習模型產生預測的速度。
在 Qlik Predict中，預測速度的計算方式是使用運算時間和測試資料集預測時間的組合特徵。這以每秒列數顯示。
執行實驗版本後，可以在模型指標表格中分析預測速度。您也可以在使用內嵌分析來分析模型時檢視預測速度資料。如需詳細資訊，請參閱：
考慮事項
衡量的預測速度是基於訓練資料集的大小，而不是進行預測的資料。部署模型後，如果訓練資料和預測資料的大小差異很大，或者如果對一列或幾列資料建立即時預測，則您可能會注意到預測建立速度之間的差異。