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。