Multiclasse uma-vs-todas

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)

Esse conteúdo pertence apenas ao estúdio (clássico). Módulos de arrastar e soltar semelhantes foram adicionados ao designer de Azure Machine Learning. Saiba mais neste artigo comparando as duas versões.

Visão geral do módulo

Este artigo descreve como usar o módulo multiclasse One-vs-All no Azure Machine Learning Studio (clássico) para criar um modelo de classificação que pode prever várias classes, usando a abordagem "um vs. todos".

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 One-vs. All Models

Embora alguns algoritmos de classificação permitam o uso de mais de duas classes por design, outras restringem os resultados possíveis a um dos dois valores (um modelo binário ou de duas classes). No entanto, até mesmo os 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. Em seguida, 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. Assim, qualquer classificador binário pode ser usado como base para um modelo de um-vs-todos.

Por exemplo, digamos que você configure um modelo de máquina de vetor de suporte de duas classes e forneça isso como entrada para o módulo multiclasse One-vs-todos . O módulo criará modelos de máquina de vetor de suporte de duas classes para todos os membros da classe de saída e, em seguida, aplicaria o método One-vs-All para combinar os resultados de todas as classes.

Como configurar o classificador de todos-vs-um

Esse módulo cria um Ensemble de modelos de classificação binária para analisar várias classes. Portanto, para usar esse módulo, você precisa configurar e treinar primeiro um modelo de classificação binária .

Em seguida, você conecta o modelo binário a um módulo multiclasse um-vs-todos e treina o Ensemble de modelos usando treinar modelo com um conjunto de módulos de treinamento rotulado.

Quando você combina os modelos, embora o conjunto de os 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.

  1. Adicione a multiclasse One-vs-All a seu experimento no estúdio (clássico). Você pode encontrar esse módulo em Machine Learning-Initialize, na categoria classificação .

    O classificador multiclasse One-vs-All não tem nenhum parâmetro configurável. Todas as personalizações devem ser feitas no modelo de classificação binária que é fornecido como entrada.

  2. Adicione um modelo de classificação binária ao experimento e configure esse modelo. Por exemplo, você pode usar uma máquina de vetor de suporte de duas classes ou uma árvore de decisão aumentada de duas classes.

    Se você precisar de ajuda para escolher o algoritmo correto, consulte estes recursos:

  3. Adicione o módulo modelo de treinamento ao seu experimento e conecte o classificador não treinado que é a saída de multiclasse One-vs-All.

  4. Na outra entrada do modelo de treinamento, conecte um conjunto de dados de treinamento rotulado que tenha vários valores de classe.

  5. Execute o experimento ou selecione o modo de treinamento l 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 validações cruzadas em relação a um conjunto de dados de validação rotulado.

Exemplos

Para obter exemplos de como esse algoritmo de aprendizado é usado, consulte o Galeria de ia do Azure:

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 obter uma lista de erros específicos para módulos do Studio (clássicos), consulte Machine Learning códigos de erro.

Para obter uma lista de exceções de API, consulte Machine Learning códigos de erro da API REST.

Consulte também

Classificação