下記は、梱包サイズの目的変数ごとの、多クラス分類の指標結果。どう考察する？ precision recall f1-score support 60 0.80 0.59 0.68 469 80 0.65 0.72 0.69 496 100 0.56 0.61 0.59 423 120 0.77 0.76 0.77 485 140 0.76 0.84 0.80 466 160 0.87 0.86 0.87 468 accuracy 0.73 2807 macro avg 0.74 0.73 0.73 2807weighted avg 0.74 0.73 0.73 2807

2024年6月8日2024年6月17日

これらの指標結果を考察すると、各梱包サイズにおける分類モデルの性能を把握できます。

• Precision（適合率）: 適合率は、各クラスにおいてモデルが正しく分類したサンプルの割合を示します。例えば、サイズが160の場合、87%の精度で正しく分類されています。Precisionが高いほど、そのクラスに分類されたサンプルの大部分が実際にそのクラスに属しています。
• Recall（再現率）: 再現率は、実際のクラスに属するサンプルのうち、モデルが正しくそのクラスに分類した割合を示します。例えば、サイズが160の場合、86%の再現率で実際のサイズ160を正しく特定しています。Recallが高いほど、モデルがそのクラスを見逃すことが少ないことを示します。
• F1-score（F1スコア）: F1スコアは適合率と再現率の調和平均であり、両者のバランスを示します。F1スコアが高いほど、適合率と再現率の両方が高いことを示し、バランスの取れたモデルであることを示します。
• Support（サポート）: サポートは、各クラスにおけるサンプルの数を示します。例えば、サイズが100の場合、423個のサンプルがあります。

これらの指標を総合的に見ると、サイズが160の梱包サイズにおいて最も高いPrecision、Recall、F1-scoreが得られています。一方で、サイズが100の梱包サイズにおいてはPrecision、Recall、F1-scoreが比較的低くなっています。このような分析を通じて、モデルが特定のサイズに関してより優れた予測性能を持つことが示唆されます。