我們不再更新 Amazon Machine Learning 服務或接受新使用者。本文件可供現有使用者使用，但我們不再更新。如需詳細資訊，請參閱[什麼是 Amazon Machine Learning](https://docs.aws.amazon.com/machine-learning/latest/dg/what-is-amazon-machine-learning.html)。

本文為英文版的機器翻譯版本，如內容有任何歧義或不一致之處，概以英文版為準。

# 多類別分類
<a name="multiclass-classification"></a>

與二元分類問題的程序不同，您不需要選擇分數閾值以進行預測。預測答案是具有最高預測分數的類別 (亦即，標籤)。在某些情況下，您可能會希望使用預估，只有預測回答高分。在這種情況下，您可以根據您是否接受預測答案，來選擇預測分數的閾值。

多類別中使用的典型指標與二元分類案例中使用的指標相同。在將所有其他類別分組為屬於第二個類別之後，透過將其視為二元分類問題，來計算每個類別的指標。然後，對所有類別的二元指標進行平均計算，以取得巨集平均 (平等對待每個類別) 或加權平均 (根據類別頻率加權) 指標。在 Amazon ML 中，巨集平均 F1-measure用於評估多類別分類器的預測成功。

![以 F1 分數顯示浪漫、驚悚和冒險類型的預測值與真實值的混淆矩陣。](http://docs.aws.amazon.com/zh_tw/machine-learning/latest/dg/images/mlconcepts_image3.png)


圖 2：多類別分類模型的混淆矩陣

這很適合用來檢閱多類別問題的*「混淆矩陣」*。每個混淆矩陣都是一個表格，顯示評估資料中的每個類別，以及正確預測和錯誤預測的數量或百分比。