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。

多類別分類實驗訓練期間，會自動產生下列圖表，以提供所產生模型的快速分析：

• Permutation importance：以影響程度由高 (對模型效能影響最大) 至低 (對模型效能影響最小) 的順序顯示特徵的圖表。如需詳細資訊，請參閱排列重要性。

• SHAP importance：呈現每個特徵對預測結果的影響程度的圖表。如需詳細資訊，請參閱實驗訓練中的 SHAP 重要性。

巨集 F1

巨集 F1 是每個分類沒有加權的平均 F1 值，亦即所有分類都以同等方式處理。

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。