One-vs-All Multiclass
Importante
O suporte para o Estúdio de ML (clássico) terminará a 31 de agosto de 2024. Recomendamos a transição para o Azure Machine Learning até essa data.
A partir de 1 de dezembro de 2021, não poderá criar novos recursos do Estúdio de ML (clássico). Até 31 de agosto de 2024, pode continuar a utilizar os recursos existentes do Estúdio de ML (clássico).
- Consulte informações sobre projetos de machine learning em movimento de ML Studio (clássico) para Azure Machine Learning.
- Saiba mais sobre Azure Machine Learning.
A documentação do Estúdio de ML (clássico) está a ser descontinuada e poderá não ser atualizada no futuro.
Cria um modelo de classificação multiclasse a partir de um conjunto de modelos de classificação binário
Categoria: Machine Learning / Modelo de Inicialização / Classificação
Nota
Aplica-se a: Machine Learning Studio (clássico) apenas
Módulos semelhantes de arrasto e queda estão disponíveis em Azure Machine Learning designer.
Visão geral do módulo
Este artigo descreve como usar o módulo One-Vs-All Multiclass em Machine Learning Studio (clássico), para criar um modelo de classificação que pode prever várias classes, usando a abordagem "um vs. todos".
Este módulo é útil para a criação de modelos que prevejam três ou mais resultados possíveis, quando o resultado depende de variáveis preditores contínuas ou categóricas. Este método também permite usar métodos de classificação binários para problemas que requerem várias classes de saída.
Mais sobre um vs.todos os modelos
Enquanto alguns algoritmos de classificação permitem o uso de mais de duas classes por design, outros restringem os resultados possíveis a um de dois valores (um modelo binário, ou modelo de duas classes). No entanto, até os algoritmos binários de classificação podem ser adaptados para tarefas de classificação multi-classes usando uma variedade de estratégias.
Este módulo implementa o método um vs. todos, no qual é criado um modelo binário para cada uma das classes de saída múltiplas. Cada um destes modelos binários para as classes individuais é avaliado em comparação com o seu complemento (todas as outras classes do modelo) como se fosse uma questão de classificação binária. A previsão é então realizada executando estes classificadores binários, e escolhendo a previsão com a pontuação de confiança mais alta.
No essencial, é criado um conjunto de modelos individuais e os resultados são então fundidos, para criar um único modelo que preveja todas as classes. Assim, qualquer classificador binário pode ser usado como base para um modelo de um vs-todos.
Por exemplo, digamos que configura um modelo de máquina de vetor de suporte de duas classes e fornece-o como entrada para o módulo Multiclasse One-Vs-All . O módulo criaria modelos de máquinas de vetor de dois classes para todos os membros da classe de saída e, em seguida, aplicaria o método one-vs-all para combinar os resultados para todas as classes.
Como Configurar o Classificador One-vs-All
Este módulo cria um conjunto de modelos de classificação binária para analisar várias classes. Portanto, para utilizar este módulo, é necessário configurar e treinar primeiro um modelo de classificação binária .
Em seguida, ligue o modelo binário ao módulo One-Vs-All Multiclass e treine o conjunto de modelos utilizando o Train Model com um conjunto de dados de treino rotulado.
Ao combinar os modelos, mesmo que o conjunto de dados de treino possa ter vários valores de classe, o One-Vs-All Multiclass cria vários modelos de classificação binária, otimiza o algoritmo para cada classe e, em seguida, funde os modelos.
Adicione o One-Vs-All Multiclass à sua experiência em Studio (clássico). Pode encontrar este módulo em Machine Learning - Inicializar, na categoria Classificação.
O classificador One-Vs-All Multiclasser não tem parâmetros configuráveis por si só. Quaisquer personalizações devem ser feitas no modelo de classificação binária que é fornecido como entrada.
Adicione um modelo de classificação binária à experiência, e configuure este modelo. Por exemplo, você pode usar uma máquina de vetor de apoio de duas classes ou uma árvore de decisão aumentada de duas classes.
Se precisar de ajuda para escolher o algoritmo certo, consulte estes recursos:
Adicione o módulo Train Model à sua experiência e ligue o classificador destreinado que é a saída de One-Vs-All Multiclass.
Na outra entrada do Modelo de Comboio, ligue um conjunto de dados de formação rotulado que tenha vários valores de classe.
Executar a experiência, ou selecione Model de comboio e clique em Executar Selecionado.
Resultados
Após o treino estar completo, pode usar o modelo para fazer previsões multiclasse.
Em alternativa, pode passar o classificador não treinado para Modelo Validado Cruzado para validação cruzada contra um conjunto de dados de validação rotulado.
Exemplos
Por exemplo, como este algoritmo de aprendizagem é usado, consulte a Galeria Azure AI:
Categorização de notícias: Esta amostra utiliza uma multiclasse One-Vs-All com um modelo de Floresta de Decisão de Duas Classes .
Compare a amostra de Classifier Multiclass: Os classificadores binários são utilizados para cada dígito e os resultados são combinados.
Entradas esperadas
| Nome | Tipo | Description |
|---|---|---|
| Modelo de classificação binária não treinado | Interface ILearner | Um modelo de classificação binária destreinada |
Saídas
| Nome | Tipo | Description |
|---|---|---|
| Modelo destreinado | Interface ILearner | Uma classificação multiclasse não treinada |
Exceções
| Exceção | Description |
|---|---|
| Erro 0013 | Uma exceção ocorre se o aluno que foi passado para o módulo é o tipo errado. |
Para obter uma lista de erros específicos dos módulos Studio (clássicos), consulte Machine Learning Códigos de Erro.
Para obter uma lista de exceções da API, consulte Machine Learning CÓDIGOs de Erro da API REST.