我们不再更新 Amazon Machine Learning 服务，也不再接受新用户使用该服务。本文档可供现有用户使用，但我们不会再对其进行更新。有关更多信息，请参阅[什么是 Amazon Machine Learning](https://docs.aws.amazon.com/machine-learning/latest/dg/what-is-amazon-machine-learning.html)。

本文属于机器翻译版本。若本译文内容与英语原文存在差异，则一律以英文原文为准。

# 多元分类
<a name="multiclass-classification"></a>

与二进制分类问题的处理不同，您不需要选择分数阈值以进行预测。预测的答案是预测分数最高的类（即标签）。在某些情况下，您可能希望仅当预测具有高分数才使用预测的答案。在这种情况下，您可以根据您是否接受答案来选择预测分数的阈值。

多类别中使用的典型指标与二进制分类案例中使用的指标相同。通过在将所有其他类别分组为属于第二个类别之后，将其作为二进制分类问题来处理，为每个类别计算指标。然后，在所有类别上对二进制指标取平均值以获取宏平均（相同处理每个类别）或加权平均（按类别频率加权）指标。在 Amazon ML 中，宏观平均值 F1-measure 用于评估多类分类器的预测成功率。

![混淆矩阵显示了带有F1分数的爱情、惊悚和冒险类型的预测值与真实值。](http://docs.aws.amazon.com/zh_cn/machine-learning/latest/dg/images/mlconcepts_image3.png)


图 2：多类别分类模型的混淆矩阵

查看多类别问题的*混淆矩阵*会非常有帮助。混淆矩阵是一个表，其中显示了评估数据中的各个类以及正确预测和不正确预测的数量或百分比。