Indicadores de evaluación para algoritmos de clasificación múltiple

La mayoría de los problemas que encontramos al resolver problemas de clasificación en el pasado eran problemas de clasificación binaria. Los indicadores de evaluación de uso común incluyen exactitud, precisión, puntuación_recuperación, puntuación F1, puntuación_ROC_AUC, etc. Sin embargo, en la vida real, los problemas de clasificación múltiple también existen en gran número. Esta sección explicará en detalle los indicadores de evaluación para problemas de clasificación múltiple.

Tomemos recall_score como ejemplo para echar un vistazo a las dos categorías de indicadores de evaluación en la biblioteca sklearn. En el método record_score, hay un parámetro muy importante "promedio" y su valor predeterminado es "binario". Con parámetros predeterminados, este método de evaluación solo puede resolver dos tipos de problemas. Si este método de evaluación se utiliza para un problema de varias clases, el sistema informará un error. Pero el "promedio" también nos proporciona otros cuatro parámetros "micro", "macro", "ponderado" y "muestra" para resolver problemas de clasificación múltiple. A continuación tomamos el conjunto de datos del iris como ejemplo para explicar estos cuatro parámetros uno por uno.

[sk aprender . métricas . recordar _ puntuación]('/p/59862986