One-vs-All Multiclass

Hiermee maakt u een classificatie model voor multi klassen van een ensemble van binaire classificatie modellen

Categorie: model/classificatie machine learning/initialiseren

Notitie

Van toepassing op : machine learning Studio (klassiek)

Deze inhoud is alleen van toepassing op Studio (klassiek). Er zijn Vergelijk bare modules voor slepen en neerzetten toegevoegd aan Azure Machine Learning Designer. In dit artikel vindt u meer informatie over de twee versies.

Module overzicht

In dit artikel wordt beschreven hoe u de module met één VS-alle multi klassen in azure machine learning Studio (klassiek) gebruikt voor het maken van een classificatie model dat meerdere klassen kan voors pellen met behulp van de methode ' één vs. alle '.

Deze module is handig voor het maken van modellen die drie of meer mogelijke resultaten voors pellen, wanneer het resultaat afhankelijk is van continue of categorische prediction-variabelen. Met deze methode kunt u ook binaire classificatie methoden gebruiken voor problemen waarvoor meerdere uitvoer klassen zijn vereist.

Meer informatie over One-vs. alle modellen

Hoewel sommige classificatie algoritmen het gebruik van meer dan twee klassen per ontwerp toestaan, beperken anderen de mogelijke resultaten voor een van de twee waarden (een binair of een model met twee klassen). Zelfs binaire classificatie algoritmen kunnen echter worden aangepast voor classificatie taken met meerdere klassen, met behulp van verschillende strategieën.

Deze module implementeert de methode vs. all, waarin een binair model voor elk van de meerdere uitvoer klassen wordt gemaakt. Elk van deze binaire modellen voor de afzonderlijke klassen wordt beoordeeld aan de hand van een aanvulling (alle andere klassen in het model) alsof het een probleem met een binaire classificatie betreft. De voor spelling wordt vervolgens uitgevoerd door deze binaire classificaties uit te voeren en de voor spelling te kiezen met de hoogste betrouwbaarheids Score.

In wezen wordt een ensemble van afzonderlijke modellen gemaakt en worden de resultaten vervolgens samengevoegd om één model te maken waarmee alle klassen worden voor speld. Een binaire classificatie kan daarom worden gebruikt als basis voor een model met één-VS-alles.

Stel bijvoorbeeld dat u een twee klasse ondersteunings vector computer model configureert en als invoer voor de module één-VS-alle multi klassen hebt opgegeven. De module maakt vector-machine modellen met twee klassen ondersteuning voor alle leden van de klasse output en past vervolgens de methode één-vs-all toe om de resultaten voor alle klassen te combi neren.

De classificatie van één VS-alles configureren

Deze module maakt een ensemble van binaire classificatie modellen om meerdere klassen te analyseren. Daarom moet u eerst een binair classificatie model configureren en trainen om deze module te kunnen gebruiken.

Vervolgens verbindt u het binaire model met één-vs-all-module met meerdere klassen en traint u de ensemble van modellen met behulp van Train model met een gelabelde trainings gegevensset.

Wanneer u de modellen combi neren, zelfs als de gegevensset van de training meerdere klasse-waarden kan hebben, maakt de één-VS-alle multi-klasse meerdere binaire classificatie modellen, optimaliseert de algoritme voor elke klasse en voegt de modellen vervolgens samen.

  1. Voeg het ene-vs-all-Multi-Class- model toe aan uw experiment in Studio (klassiek). U kunt deze module vinden onder Machine Learning-Initialize, in de categorie classificatie .

    De één-VS-alle multi class- classificatie heeft geen eigen Configureer bare para meters. Aanpassingen moeten worden uitgevoerd in het binaire classificatie model dat is opgegeven als invoer.

  2. Voeg een binair classificatie model toe aan het experiment en configureer dat model. U kunt bijvoorbeeld een 2-klasse support vector machine of een Geboostte beslissings structuur van tweeklassen gebruiken.

    Als u hulp nodig hebt bij het kiezen van het juiste algoritme, raadpleegt u de volgende bronnen:

  3. Voeg de module Train model toe aan uw experiment en verbind de niet-getrainde classificatie die de uitvoer is van één-VS-alle multi klasse.

  4. Verbind op de andere invoer van het trein modeleen gelabelde trainings gegevensset met meerdere klassen waarden.

  5. Voer het experiment uit of selecteer trein modusl en klik op geselecteerde uitvoeren.

Resultaten

Nadat de training is voltooid, kunt u het model gebruiken om voor spellingen voor multi klassen te maken.

U kunt ook de niet-getrainde classificatie door geven aan kruislings valideren model voor kruis validatie op basis van een gelabelde validatie gegevensset.

Voorbeelden

Voor voor beelden van hoe dit leer algoritme wordt gebruikt, raadpleegt u de Azure AI Gallery:

Verwachte invoer

Naam Type Beschrijving
Niet-getraind binair classificatie model ILearner-interface Een niet-getraind binair classificatie model

Outputs

Naam Type Beschrijving
Niet-traind model ILearner-interface Een niet-getrainde classificatie voor multi klassen

Uitzonderingen

Uitzondering Beschrijving
Fout 0013 Er treedt een uitzonde ring op als de kenniser die is door gegeven aan de module, een onjuist type is.

Zie machine learning fout codesvoor een lijst met fouten die specifiek zijn voor Studio-modules (Classic).

Zie Machine Learning rest API fout codesvoor een lijst met API-uitzonde ringen.

Zie ook

Classificatie