Multiclasse uma-vs-todas
Importante
O suporte para o Machine Learning Studio (clássico) terminará em 31 de agosto de 2024. É recomendável fazer a transição para o Azure Machine Learning até essa data.
A partir de 1º de dezembro de 2021, você não poderá criar recursos do Machine Learning Studio (clássico). Até 31 de agosto de 2024, você pode continuar usando os recursos existentes do Machine Learning Studio (clássico).
- Confira informações sobre como mover projetos de machine learning do ML Studio (clássico) para o Azure Machine Learning.
- Saiba mais sobre o Azure Machine Learning.
A documentação do ML Studio (clássico) está sendo desativada e pode não ser atualizada no futuro.
Cria um modelo de classificação multiclasse a partir de um conjunto de modelos de classificação binária
Categoria: Machine Learning/Inicializar modelo/classificação
Observação
Aplica-se a: Machine Learning Studio (clássico) somente
Módulos semelhantes do tipo "arrastar e soltar" estão disponíveis no designer do Azure Machine Learning.
Visão geral do módulo
Este artigo descreve como usar o módulo Multiclasse One-Vs-All no Machine Learning Studio (clássico) para criar um modelo de classificação que possa prever várias classes usando a abordagem "um vs. all".
Esse módulo é útil para criar modelos que preveem três ou mais resultados possíveis, quando o resultado depende de variáveis de previsão contínuas ou categóricas. Esse método também permite usar métodos de classificação binária para problemas que exigem várias classes de saída.
Mais sobre modelos um-vs.all
Embora alguns algoritmos de classificação permitam o uso de mais de duas classes por design, outros restringem os resultados possíveis a um dos dois valores (um modelo binário ou de duas classes). No entanto, até mesmo algoritmos de classificação binária podem ser adaptados para tarefas de classificação de várias classes usando uma variedade de estratégias.
Esse módulo implementa o método um-vs-todos, em que um modelo binário é criado para cada uma das várias classes de saída. Cada um desses modelos binários para as classes individuais será avaliado em relação a seu complemento (todas as outras classes no modelo), como se ele fosse um problema de classificação binária. A previsão é executada executando esses classificadores binários e escolhendo a previsão com a pontuação de confiança mais alta.
Em essência, um ensemble de modelos individuais é criado e os resultados são mesclados para criar um único modelo que prevê todas as classes. Portanto, qualquer classificador binário pode ser usado como base para um modelo um-vs-all.
Por exemplo, digamos que você configure um modelo de Máquina de Vetor de Suporte de Duas Classes e forneça-o como entrada para o módulo Multiclasse One-Vs-All. O módulo criaria modelos de computador de vetor de suporte de duas classes para todos os membros da classe de saída e aplicaria o método one-vs-all para combinar os resultados para todas as classes.
Como configurar o classificador de todos-vs-um
Esse módulo cria um conjunto de modelos de classificação binária para analisar várias classes. Portanto, para usar este módulo, você precisa configurar e treinar um modelo de classificação binária primeiro.
Em seguida, conecte o modelo binário ao módulo Multiclasse One-Vs-All e treine o conjunto de modelos usando Treinar Modelo com um conjunto de dados de treinamento rotulado.
Quando você combina os modelos, embora o conjuntos de dados de treinamento possa ter vários valores de classe, a Multiclasse One-Vs-All cria vários modelos de classificação binária, otimiza o algoritmo para cada classe e, em seguida, mescla os modelos.
Adicione a multiclasse One-Vs-All ao seu experimento no Studio (clássico). Você pode encontrar este módulo em Machine Learning – Inicializar, na categoria Classificação.
O classificador multiclasse One-Vs-All não tem parâmetros configuráveis próprios. Todas as personalizações devem ser feitas no modelo de classificação binária fornecido como entrada.
Adicione um modelo de classificação binária ao experimento e configure esse modelo. Por exemplo, você pode usar um computador de vetor de suporte de duas classes ou uma árvore de decisão de duas classes.
Se você precisar de ajuda para escolher o algoritmo certo, confira estes recursos:
Adicione o módulo Treinar Modelo ao seu experimento e conecte o classificador não treinado que é a saída da Multiclasse One-Vs-All.
Na outra entrada do Modelo de Treinamento, conecte um conjunto de dados de treinamento rotulado que tem vários valores de classe.
Execute o experimento ou selecione Treinar Model e clique em Executar Selecionado.
Resultados
Após a conclusão do treinamento, você pode usar o modelo para fazer previsões multiclasse.
Como alternativa, você pode passar o classificador não treinado para o Modelo de Validação Cruzada para validação cruzada em um conjunto de dados de validação rotulado.
Exemplos
Para exemplos de como esse algoritmo de aprendizado é usado, consulte o Galeria de IA do Azure:
Categorização de notícias: este exemplo usa Multiclasse Um-Vs-All com um modelo de Floresta de Decisão de Duas Classes.
Amostra comparar classificador multiclasse: classificadores binários são usados para cada dígito e os resultados são combinados.
Entradas esperadas
| Nome | Tipo | Descrição |
|---|---|---|
| Modelo de classificação binária não treinado | Interface ILearner | Um modelo de classificação binária não treinado |
Saídas
| Nome | Tipo | Descrição |
|---|---|---|
| Modelo não treinado | Interface ILearner | Uma classificação multiclasse de treinamento |
Exceções
| Exceção | Descrição |
|---|---|
| Erro 0013 | Ocorre uma exceção se o aprendiz que foi passado para o módulo é do tipo incorreto. |
Para ver uma lista de erros específicos dos módulos do Studio (clássico), consulte Machine Learning Códigos de erro.
Para ver uma lista de exceções de API, consulte Machine Learning códigos de erro da API REST.