我想在一组约1000个对象中运行一个分类器，每个对象都有6个浮点变量。我已经使用scikit-learn的交叉验证功能为几个不同的模型生成预测值的数组。然后我用sklearn.metrics来计算我的分类器和混淆表的准确性。大多数分类器具有大约20-30％的准确度。以下是SVC分类器的混淆表（精确度为25.4％）。评估多类分类器性能的好指标是什么？
由于我是新来的机器学习，我不知道如何解释这一结果，以及是否有其他好的指标来评估这个问题。直觉上，即使有25％的准确性，并且鉴于分类器有25％的预测是正确的，我相信它至少有些有效，对吧？我如何用统计参数来表达？
如果这个表格是一个混淆表，我认为你的分类器在大多数情况下预测了E类。我认为你的E类在你的数据集中被过度表示，如果你的类没有，精度不是一个好的指标 示例如果您有3个类，A，B和C，并且在测试数据集中，如果您的分类器预测了所有时间类A，则类A会被过度表示（90％），您将拥有90％的准确性，
一个很好的指标是使用日志丢失，回归是一个很好的算法，优化这个指标 看到https://stats.stackexchange.com/questions/113301/multi-class-logarithmic-loss-function-per-class
的其他的解决方案，就是对你的小类进行过采样
首先，我发现很难查看混淆表。将它绘制成图像可以更好地直观地理解正在发生的事情。
建议您使用单个数字度量标准进行优化，因为它更简单快捷。当您发现系统无法达到您的预期效果时，请修改您选择的指标。
如果您在每个班级中都有相同数量的示例，则准确度通常是一个很好的指标。否则（在这里似乎是这种情况），我建议使用F1 score，它考虑到您的估算器的precision and recall。
编辑：然而，它是由你决定是否约25％的准确性，或任何指标是“足够好”。如果您正在分类机器人是否应该拍摄一个人，那么您应该修改算法，但如果您决定是伪随机数据还是随机数据，则25％的准确性可能足以证明这一点。