0

假设我为 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值。

该模型的平均 F1 分数为 0.875（我有 2 个类别密切相关，所以这有点损害准确性）。

如果我对一段应该与类别 3 和 8 正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 和 8 是否都有效地具有约 80% 的确定性，但是因为它们都匹配，所以确定性在两者之间是分开的。如果你把所有的 相加predictedScores，你会得到 .999999997，这让我怀疑在每个可用类别之间是否有一个总分 1.0 分......

如果我改为设置 10 个不同的模型，并独立地对每个模型进行二进制匹配，我会看到 3 和 8 得分更高（例如更接近 0.8）吗？

我想一个相关的问题，我真的不需要回答，但可能有助于澄清整个问题，是......如果我有一个绝对适合所有 10 个类别的理论文本，亚马逊机器学习可以用predictedScore价值每个类别1.0？或者，因为最大值predictedScore为 1.0，是否会为每个类别返回 0.1？

4

1 回答 1

2

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，所以它们的总和必须为 1。换句话说，当您说“在每个可用类别之间分配的总分数为 1.0 时，您是正确的……”

这是一个参考页面，可以回答这个问题和您的其他一些问题： http ://docs.aws.amazon.com/machine-learning/latest/dg/reading-the-batchprediction-output-files.html#interpreting-the -批量预测文件的内容为多类分类ml模型

于 2016-12-14T23:29:22.127 回答