OVA(One-vs-All) 다중 클래스

  • 아티클

중요

Machine Learning Studio(클래식)에 대한 지원은 2024년 8월 31일에 종료됩니다. 해당 날짜까지 Azure Machine Learning으로 전환하는 것이 좋습니다.

2021년 12월 1일부터 새로운 Machine Learning Studio(클래식) 리소스를 만들 수 없습니다. 2024년 8월 31일까지는 기존 Machine Learning Studio(클래식) 리소스를 계속 사용할 수 있습니다.

ML Studio(클래식) 설명서는 사용 중지되며 나중에 업데이트되지 않을 수 있습니다.

이진 분류 모델의 앙상블에서 다중 클래스 분류 모델 만들기

범주: Machine Learning/모델 초기화/분류

참고

적용 대상: Machine Learning Studio(클래식)만

유사한 끌어서 놓기 모듈은 Azure Machine Learning 디자이너에서 사용할 수 있습니다.

모듈 개요

이 문서에서는 Machine Learning Studio(클래식)에서 One-Vs-All 다중 클래스 모듈을 사용하여 "하나와 모두" 접근 방식을 사용하여 여러 클래스를 예측할 수 있는 분류 모델을 만드는 방법을 설명합니다.

이 모듈은 결과가 연속 또는 범주 예측 변수에 의존하는 경우 세 개 이상의 가능한 결과를 예측하는 모델을 만드는 데 유용합니다. 이 메서드를 사용하면 여러 출력 클래스가 필요한 문제에 대해서도 이진 분류 방법을 사용할 수 있습니다.

일 대 모든 모델에 대한 자세한 정보

일부 분류 알고리즘은 의도적으로 두 개 이상의 클래스를 사용할 수 있도록 허용하지만, 다른 분류 알고리즘은 가능한 결과를 두 값(이진 또는 2클래스 모델) 중 하나로 제한합니다. 그러나 다양한 전략을 사용하여 다중 클래스 분류 작업에 대해 이진 분류 알고리즘도 조정할 수 있습니다.

이 모듈은 여러 출력 클래스 각각에 대해 이진 모델을 만드는 one-vs-all 메서드를 구현합니다. 개별 클래스에 대한 각 이진 모델이 이진 분류 문제가 있는 것처럼 해당 보수(모델의 다른 모든 클래스)에 대해 평가됩니다. 그런 다음 이러한 이진 분류자를 실행하고 신뢰도 점수가 가장 높은 예측을 선택하여 예측을 수행합니다.

기본적으로는 개별 모델의 앙상블을 만든 다음 결과를 병합하여 모든 클래스를 예측하는 단일 모델을 만듭니다. 따라서 모든 이진 분류자를 일대다 모델의 기준으로 사용할 수 있습니다.

예를 들어 2클래스 지원 벡터 머신 모델을 구성하고 이를 One-Vs-All 다중 클래스 모듈에 대한 입력으로 제공한다고 가정해 보겠습니다. 모듈은 출력 클래스의 모든 멤버에 대해 2클래스 지원 벡터 머신 모델을 만든 다음, 일 대 모든 메서드를 적용하여 모든 클래스에 대한 결과를 결합합니다.

OVA(One-vs-All) 분류자를 구성하는 방법

이 모듈에서는 여러 클래스를 분석하는 이진 분류 모델의 앙상블을 만듭니다. 따라서 이 모듈을 사용하려면 먼저 이진 분류 모델을 구성하고 학습해야 합니다.

그런 다음, 이진 모델을 One-Vs-All 다중 클래스 모듈에 연결하고 레이블이 지정된 학습 데이터 세트와 함께 모델 학습 을 사용하여 모델 앙상블을 학습시킵니다.

학습 데이터 세트에 여러 클래스 값이 있을 수 있지만 모델을 결합하는 경우 One-Vs-All 다중 클래스 는 여러 이진 분류 모델을 만들고 각 클래스에 대한 알고리즘을 최적화한 다음 모델을 병합합니다.

  1. Studio(클래식)에서 실험에 One-Vs-All 다중 클래스 를 추가합니다. 분류 범주의 Machine Learning - 초기화에서 이 모듈을 찾을 수 있습니다.

    One-Vs-All 다중 클래스 분류자에는 자체의 구성 가능한 매개 변수가 없습니다. 모든 사용자 지정은 입력으로 제공되는 이진 분류 모델에서 수행해야 합니다.

  2. 실험에 이진 분류 모델을 추가하고 해당 모델을 구성합니다. 예를 들어 2클래스 지원 벡터 컴퓨터 또는 2클래스 향상된 의사 결정 트리를 사용할 수 있습니다.

    올바른 알고리즘을 선택하는 데 도움이 필요한 경우 다음 리소스를 참조하세요.

  3. 실험에 모델 학습 모듈을 추가하고 , One-Vs-All 다중 클래스의 출력인 학습되지 않은 분류자를 연결합니다.

  4. 학습 모델의 다른 입력에서 여러 클래스 값이 있는 레이블이 지정된 학습 데이터 집합을 연결합니다.

  5. 실험을 실행하거나 모뎀 학습을 선택하고 [선택됨] 실행을 클릭합니다.

결과

학습을 완료한 후에는 모델을 사용하여 다중 클래스 예측을 만들 수 있습니다.

또는 레이블이 지정된 유효성 검사 데이터 집합에 대해 교차 유효성 검사를 위해 학습되지 않은 분류자를 교차 유효성 검사 모델에 전달할 수 있습니다.

예

이 학습 알고리즘을 사용하는 방법에 대한 예제는 Azure AI 갤러리를 참조하세요.

예상 입력

Name 유형 설명
학습되지 않은 이진 분류 모델 ILearner 인터페이스 학습되지 않은 이진 분류 모델입니다.

출력

Name 유형 설명
학습되지 않은 모델 ILearner 인터페이스 학습되지 않은 다중 클래스 분류 모델

예외

예외 설명
오류 0013 모듈에 전달된 학습자가 잘못된 유형인 경우 예외가 발생합니다.

Studio(클래식) 모듈과 관련된 오류 목록은 Machine Learning 오류 코드를 참조하세요.

API 예외 목록은 MACHINE LEARNING REST API 오류 코드를 참조하세요.

참고 항목

분류