Многоклассовая классификация "один-все"

Создает модель мультиклассовой классификации на основе набора моделей двоичных классификаций.

Категория: машинное обучение/инициализация модели или классификации

Примечание

Применимо к: машинное обучение Studio (классическая модель)

Это содержимое относится только к Studio (классическая модель). Аналогичные модули перетаскивания были добавлены в конструктор Машинное обучение Azure. Дополнительные сведения см. в статье сравнение двух версий.

Обзор модуля

В этой статье описывается использование многоклассового модуля "один-VS-все " в машинное обучение Azure Studio (классическая модель) для создания модели классификации, которая может прогнозировать несколько классов, с использованием подхода "один vs. ALL".

Этот модуль удобно использовать при создании моделей для предсказания трех и более возможных значений, если они зависят от непрерывных или категориальных прогностических переменных. Этот метод также позволяет использовать методы двоичной классификации для проблем, решение которых требует использования нескольких выходных классов.

Дополнительные сведения о Оне-вс. ALL

Хотя некоторые алгоритмы классификации допускают использование более чем двух классов по своей структуре, другие могут ограничить возможные результаты одним из двух значений (в двоичном или в модели с двумя классами). Однако даже алгоритмы двоичной классификации можно адаптировать для многоклассовых задач классификации, используя разнообразные стратегии.

Этот модуль реализует метод "один-все", в котором для каждого из нескольких выходных классов создается двоичная модель. Каждая из этих двоичных моделей для отдельных классов сравнивается с дополнением (все другие классы в модели), как при двоичной классификации. Затем прогноз выполняется путем запуска этих двоичных классификаторов и выбора прогноза с наивысшим показателем достоверности.

По сути создается ансамбль из отдельных моделей, которые объединяются в одну модель, прогнозирующую все классы. Таким образом, любой двоичный классификатор можно использовать в качестве основания для модели "один-ко-всем".

Например, предположим, что вы настроили модель однорангового компьютера поддержки двух классов и представими это в качестве входных данных для модульного модуля с одним и тем же классом . Модуль будет создавать модели машинного вектора поддержки двух классов для всех членов класса Output, а затем применять метод One-VS-ALL для объединения результатов для всех классов.

Настройка классификатора «один-все»

Этот модуль создает ансамблей из моделей двоичной классификации для анализа нескольких классов. Поэтому для использования этого модуля необходимо сначала настроить и обучить модель двоичной классификации .

Затем вы подключаете двоичную модель к модулю с несколькими классами VS-ALL и обучите ансамблей модели, используя обучение модели с помеченным набором данных для обучения.

При объединении моделей, несмотря на то, что набор данных для обучения может иметь несколько значений класса, многоклассовая модель "один ко многим " создает несколько моделей двоичной классификации, оптимизирует алгоритм для каждого класса, а затем объединяет модели.

  1. Добавление многоклассового класса "один-ко-всем " в эксперимент в студии (классическая модель). Этот модуль можно найти в категории классификации машинное обучение-Initialize.

    У многоклассового классификатора "один-VS-все " нет настраиваемых параметров. Все настройки должны выполняться в модели двоичной классификации, предоставляемой в качестве входных данных.

  2. Добавьте в эксперимент модель двоичной классификации и настройте эту модель. Например, вы можете использовать Векторный компьютер поддержки двух классов или высококлассное дерево принятия решений из двух классов.

    Если вам нужна помощь по выбору правильного алгоритма, см. следующие ресурсы:

  3. Добавьте модуль обучение модели в эксперимент и соедините обученный классификатор, который является выходом многоклассового класса «один-VS-все».

  4. На других входах для обучения моделиПодключите набор обучающих данных с меткой, имеющий несколько значений класса.

  5. Запустите эксперимент или выберите режим обучения l и нажмите кнопку Выполнить выбранное.

Результаты

После завершения обучения можно использовать модель для прогнозирования в многоклассовой модели.

Кроме того, можно передать обученный классификатор в перекрестную проверку модели для перекрестной проверки по сравнению с помеченным набором данных проверки.

Примеры

Примеры использования этого алгоритма обучения см. в Коллекция решений ии Azure:

Ожидаемые входные данные

Имя Type Описание
Необученная модель бинарной классификации Интерфейс ILearner Необученная модель бинарной классификации

Выходные данные

Имя Type Описание
Необученная модель Интерфейс ILearner Необученная мультиклассовая классификация

Исключения

Исключение Описание
Ошибка 0013 Исключение возникает при передаче в модуль неверного типа ученика.

Список ошибок, относящихся к модулям студии (классическая версия), см. в разделе машинное обучение коды ошибок.

Список исключений API см. в разделе Машинное обучение REST API коды ошибок.

См. также раздел

Классификация