如果我 运行 针对具有多个类别的模型进行预测，分数是否会在所有类别中分配？
If I run a prediction against a model with multiple categories, are the scores split amongst all categories?
假设我创建了一个模型，其中 10 个类别中的每个类别包含约 30 个项目。我已经采用了所有提供给我的默认值。
该模型的平均 F1 分数是 0.875（我有 2 个非常密切相关的类别，所以这有点影响准确性）。
如果我对一段应该与类别 3 和 8 正向匹配的文本进行实时预测，我得到以下结果：
{
"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 3 和 8 是否实际上都具有 ~80% 的确定性，但因为它们都匹配，所以确定性在两者之间被分割。如果您对所有 predictedScores 求和，您会得到 .999999997，这让我怀疑是否有一个总分 1.0 被分配到每个可用类别中...
如果我改为设置 10 个不同的模型，并分别对每个模型进行二进制匹配，我会看到 3 和 8 的得分更高（例如接近 0.8）吗？
我想有一个相关的问题，我真的不需要回答，但可能有助于澄清整个问题，是......如果我有一篇绝对适合所有 10 个类别的理论文本，亚马逊机器学习可以吗？响应每个类别的 predictedScore 值 1.0？或者，因为最大值 predictedScore 是 1.0，所以每个类别是否 return 0.1？
Amazon ML returns 从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，所以它们总和必须为 1。换句话说，你说 "there's a total 1.0 score that gets split amongst each of the available categories..."
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-contents-of-batch-prediction-files-for-a-multiclass-classification-ml-model
假设我创建了一个模型，其中 10 个类别中的每个类别包含约 30 个项目。我已经采用了所有提供给我的默认值。
该模型的平均 F1 分数是 0.875（我有 2 个非常密切相关的类别，所以这有点影响准确性）。
如果我对一段应该与类别 3 和 8 正向匹配的文本进行实时预测，我得到以下结果：
{
"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 3 和 8 是否实际上都具有 ~80% 的确定性，但因为它们都匹配，所以确定性在两者之间被分割。如果您对所有 predictedScores 求和，您会得到 .999999997，这让我怀疑是否有一个总分 1.0 被分配到每个可用类别中...
如果我改为设置 10 个不同的模型，并分别对每个模型进行二进制匹配，我会看到 3 和 8 的得分更高（例如接近 0.8）吗？
我想有一个相关的问题，我真的不需要回答，但可能有助于澄清整个问题，是......如果我有一篇绝对适合所有 10 个类别的理论文本，亚马逊机器学习可以吗？响应每个类别的 predictedScore 值 1.0？或者，因为最大值 predictedScore 是 1.0，所以每个类别是否 return 0.1？
Amazon ML returns 从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，所以它们总和必须为 1。换句话说，你说 "there's a total 1.0 score that gets split amongst each of the available categories..."
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-contents-of-batch-prediction-files-for-a-multiclass-classification-ml-model