Question

假设我已经为10个类别中的每个类别创建了一个包含约30个项目的模型。我已经采用了提供给我的所有默认设置。

该模型的平均F1分数是0.875（我有两个非常密切相关的类别，因此有点伤害准确性。）

如果我对一个应该与第3类和第8类积极匹配的文本进行实时预测，我会得到以下结果：

{
    "Prediction": {
        "details": {
            "Algorithm": "SGD",
            "PredictiveModelType": "MULTICLASS"
        },
        "predictedLabel": "8",
        "predictedScores": {
            "1": 0.002642059000208974,
            "2": 0.010648942552506924,
            "3": 0.41401588916778564,
            "4": 0.02918998710811138,
            "5": 0.008376320824027061,
            "6": 0.009010250680148602,
            "7": 0.006029266398400068,
            "8": 0.4628857374191284,
            "9": 0.04102163389325142,
            "10": 0.01617990992963314
        }
    }
}

我想知道的是3＆amp;两者都有效率约为80％，但因为它们两者的确定性相互匹配。如果你对所有predictedScores求和，你会得到.999999997，这让我质疑是否有1.0分在每个可用类别中得分......

如果我改为设置10个不同的模型，并且每个模型独立进行二元匹配，我会看到3＆amp; 8会得分更高（例如接近0.8）？

我想一个相关的问题，我不是真的需要回答，但可能有助于澄清整体问题，是......如果我有一个绝对适合所有10个类别的理论文章，可以亚马逊机器学习每个类别的predictedScore值为1.0？或者，因为最大predictedScore是1.0，每个类别会返回0.1吗？

Answer 1

Amazon ML返回输入集中已知的每个类别的概率。因为它们是真实的建模概率，所以它们必须总计为1.换句话说，当你说＆＃34;总共1.0得分在每个可用类别中分开时，你是正确的...＆＃ 34;

以下是一个参考页面，可以回答这个以及您的其他一些问题： http://docs.aws.amazon.com/machine-learning/latest/dg/reading-the-batchprediction-output-files.html#interpreting-the-contents-of-batch-prediction-files-for-a-multiclass-classification-ml-model

如果我针对具有多个类别的模型进行预测，那么得分是否在所有类别中分开？

1 个答案: