Uno frente a todos multiclase
Importante
El soporte técnico de Machine Learning Studio (clásico) finalizará el 31 de agosto de 2024. Se recomienda realizar la transición a Azure Machine Learning antes de esa fecha.
A partir del 1 de diciembre de 2021 no se podrán crear recursos de Machine Learning Studio (clásico). Hasta el 31 de agosto de 2024, puede seguir usando los recursos de Machine Learning Studio (clásico) existentes.
- Consulte la información acerca de traslado de proyectos de aprendizaje automático de ML Studio (clásico) a Azure Machine Learning.
- Más información sobre Azure Machine Learning.
La documentación de ML Studio (clásico) se está retirando y es posible que no se actualice en el futuro.
Crea un modelo de clasificación multiclase a partir de un conjunto de modelos de clasificación binaria.
Categoría: Machine Learning/ Inicializar modelo/Clasificación
Nota:
Solo se aplica a: Machine Learning Studio (clásico)
Hay módulos para arrastrar y colocar similares en el diseñador de Azure Machine Learning.
Información general sobre el módulo
En este artículo se describe cómo usar el módulo Uno frente a todos multiclase en Machine Learning Studio (clásico) para crear un modelo de clasificación que pueda predecir varias clases mediante el enfoque "uno frente a todos".
Este módulo es útil para crear modelos que predicen tres o más resultados posibles, cuando el resultado depende de variables de predicción continuas o de categorías. Este método también permite usar métodos de clasificación binaria para problemas que requieren varias clases de salida.
Más información sobre los modelos uno frente a todos
Aunque algunos algoritmos de clasificación permiten el uso de más de dos clases por diseño, otros restringen los posibles resultados a uno de dos valores (un modelo binario o de dos clases). Pero, incluso los algoritmos de clasificación binaria se pueden adaptar a las tareas de clasificación de varias clases con diversas estrategias.
Este módulo implementa el método uno contra todos, en el cual se crea un modelo binario para cada una de las diversas clases de salida. Cada uno de estos modelos binarios para las clases individuales se evalúa con respecto a su complemento (todas las demás clases del modelo) como si fuese un problema de clasificación binaria. La predicción se realiza mediante la ejecución de estos clasificadores binarios y la elección de la predicción con la puntuación de confianza más alta.
En esencia, se crea un conjunto de modelos individuales y, luego, se combinan los resultados para crear un único modelo que predice todas las clases. Por lo tanto, cualquier clasificador binario se puede utilizar como base para un modelo uno frente a todos.
Por ejemplo, supongamos que configura un modelo de máquina de vectores de soporte de dos clases y lo proporciona como entrada para el módulo multiclase Unofrente a todos. El módulo crearía modelos de máquina de vectores de soporte de dos clases para todos los miembros de la clase de salida y, luego, aplicaría el método uno frente a todos para combinar los resultados de todas las clases.
Cómo configurar el Clasificador uno frente a todos
Este módulo crea un conjunto de modelos de clasificación binaria para analizar varias clases. Por lo tanto, para usar este módulo, debe configurar y formar primero un modelo de clasificación binaria.
A continuación, conecte el modelo binario al módulo multiclase Uno frente a todos y entrena el conjunto de modelos mediante Entrenar modelo con un conjunto de datos de entrenamiento etiquetado.
Al combinar los modelos, aunque el conjunto de datos de entrenamiento pueda tener varios valores de clase, la multiclase Uno frente a todos crea varios modelos de clasificación binaria, optimiza el algoritmo para cada clase y, a continuación, combina los modelos.
Agregue la multiclase Uno frente a todos al experimento en Studio (clásico). Puede encontrar este módulo en Machine Learning - Inicializar, en la categoría Clasificación.
El clasificador multiclase Uno frente a todos no tiene parámetros configurables propios. Las personalizaciones deben realizarse en el modelo de clasificación binaria que se proporciona como entrada.
Agregue un modelo de clasificación binaria al experimento y configúrelo. Por ejemplo, puede usar una Máquina de vectores de soporte de dos clases o Árbol de decisión promovido por dos clases.
Si necesita ayuda para elegir el algoritmo correcto, consulte estos recursos:
Agregue el módulo Train Model (Entrenar modelo) al experimento y conecte el clasificador sin entrenar que es la salida de one-vs-all multiclase.
En la otra entrada de Formar modelo, conecte un conjunto de datos de formación etiquetado que tenga varios valores de clase.
Ejecute el experimento o seleccione Train Model (Entrenar model) y haga clic en Run Selected (Ejecutar seleccionado).
Results
Una vez completa la formación, puede usar el modelo para realizar predicciones multiclase.
Como alternativa, puede pasar el clasificador no formado al Modelo de validación cruzada para la validación cruzada en un conjunto de datos de validación etiquetado.
Ejemplos
Para obtener ejemplos de cómo se usa este algoritmo de aprendizaje, consulte el Azure AI Gallery:
Categorización de noticias: en este ejemplo se usa multiclase Uno frente a todos con un modelo de bosque de decisión de dos clases.
Comparar ejemplo de clasificador multiclase: se usan clasificadores binarios para cada dígito y se combinan los resultados.
Entradas esperadas
| Nombre | Tipo | Descripción |
|---|---|---|
| Modelo de clasificación binaria no entrenado | Interfaz ILearner | Un modelo de clasificación binaria no entrenado |
Salidas
| Nombre | Tipo | Descripción |
|---|---|---|
| Modelo no entrenado | Interfaz ILearner | Clasificación multiclase no entrenada |
Excepciones
| Excepción | Descripción |
|---|---|
| Error 0013 | Se produce una excepción si el aprendiz que se pasó al módulo es del tipo incorrecto. |
Para obtener una lista de errores específicos de los módulos de Studio (clásico), consulte Machine Learning códigos de error.
Para obtener una lista de excepciones de API, consulte Machine Learning códigos de error de la API REST.