One-Vs-All Çok Sınıflı
Bu makalede, Azure Machine Learning tasarımcısında One-vs-All Çok Sınıflı bileşeninin nasıl kullanılacağı açıklanmaktadır. Amaç, bire bir yaklaşımı kullanarak birden çok sınıfı tahmin edebilen bir sınıflandırma modeli oluşturmaktır.
Bu bileşen, sonuç sürekli veya kategorik tahmin değişkenlerine bağlı olduğunda üç veya daha fazla olası sonucu tahmin eden modeller oluşturmak için kullanışlıdır. Bu yöntem, birden çok çıkış sınıfı gerektiren sorunlar için ikili sınıflandırma yöntemlerini kullanmanıza da olanak tanır.
Bire bir modeller hakkında daha fazla bilgi
Bazı sınıflandırma algoritmaları tasarım gereği ikiden fazla sınıfın kullanılmasına izin verir. Diğerleri olası sonuçları iki değerden biriyle (ikili veya iki sınıflı model) kısıtlar. Ancak ikili sınıflandırma algoritmaları bile çeşitli stratejiler aracılığıyla çok sınıflı sınıflandırma görevleri için uyarlanabilir.
Bu bileşen, birden çok çıkış sınıfı için ikili modelin oluşturulduğu bire bir yöntemini uygular. Bileşen, bu ikili modellerin her birini tek tek sınıflar için tamamlayanı (modeldeki diğer tüm sınıflar) bir ikili sınıflandırma sorunu gibi değerlendirir. Hesaplama verimliliğine ek olarak (yalnızca n_classes sınıflandırıcılar gereklidir), bu yaklaşımın avantajlarından biri yorumlanabilirliğidir. Her sınıf yalnızca bir ve bir sınıflandırıcı ile temsil olduğundan, ilgili sınıflandırıcısını inceleyerek sınıf hakkında bilgi edinmek mümkündür. Bu, çok sınıflı sınıflandırma için en yaygın kullanılan stratejidir ve adil bir varsayılan seçenektir. Bileşen daha sonra bu ikili sınıflandırıcıları çalıştırarak ve en yüksek güvenilirlik puanına sahip tahmini seçerek tahmin gerçekleştirir.
Temelde bileşen, tek tek modellerin bir birleşimini oluşturur ve ardından sonuçları birleştirerek tüm sınıfları tahmin eden tek bir model oluşturur. Herhangi bir ikili sınıflandırıcı, bire bir model için temel olarak kullanılabilir.
Örneğin, İki Sınıflı Bir Destek Vektör Makinesi modeli yapılandırdığınız ve bunu One-vs-All Çok Sınıflı bileşenine giriş olarak sağladığınızı varsayalım. Bileşen, çıkış sınıfının tüm üyeleri için iki sınıflı destek vektörü makine modelleri oluşturur. Daha sonra tüm sınıfların sonuçlarını birleştirmek için bire bir yöntemini uygular.
Bileşen, sklearn'ın OneVsRestClassifier'ını kullanır ve burada daha fazla ayrıntı öğrenebilirsiniz.
One-vs-All Çok Sınıflı sınıflandırıcıyı yapılandırma
Bu bileşen, birden çok sınıfı analiz etmek için ikili sınıflandırma modellerinden oluşan bir grup oluşturur. Bu bileşeni kullanmak için önce ikili sınıflandırma modelini yapılandırmanız ve eğitmeniz gerekir.
İkili modeli One-vs-All Çok Sınıflı bileşene bağlarsınız. Ardından modeli eğitin etiketli bir eğitim veri kümesiyle modeli eğiterek modelleri eğitebilirsiniz.
Modelleri birleştirdiğinizde, One-vs-All Çok Sınıflı birden çok ikili sınıflandırma modeli oluşturur, her sınıf için algoritmayı iyileştirir ve ardından modelleri birleştirir. Eğitim veri kümesinin birden çok sınıf değeri olsa bile bileşen bu görevleri yapar.
Tasarımcıdaki işlem hattınıza One-vs-All Çok Sınıflı bileşenini ekleyin. Bu bileşeni Sınıflandırma kategorisindeki Machine Learning - Initialize altında bulabilirsiniz.
One-vs-All Çok Sınıflı sınıflandırıcısının kendi yapılandırılabilir parametreleri yoktur. Tüm özelleştirmeler giriş olarak sağlanan ikili sınıflandırma modelinde yapılmalıdır.
İşlem hattına ikili sınıflandırma modeli ekleyin ve bu modeli yapılandırın. Örneğin, İki Sınıflı Destek Vektör Makinesi veya İki Sınıflı Artırılmış Karar Ağacı kullanabilirsiniz.
Modeli Eğit bileşenini işlem hattınıza ekleyin. One-vs-All Çok Sınıflı'nın çıktısı olan eğitilmemiş sınıflandırıcıyı bağlayın.
Modeli Eğit'in diğer girişinde, birden çok sınıf değerine sahip etiketli bir eğitim veri kümesini bağlayın.
İşlem hattını gönderin.
Sonuçlar
Eğitim tamamlandıktan sonra modeli kullanarak çok sınıflı tahminler yapabilirsiniz.
Alternatif olarak, etiketli bir doğrulama veri kümesine karşı çapraz doğrulama için eğitilmemiş sınıflandırıcıyı Modeli Çapraz Doğrulama'ya geçirebilirsiniz.
Sonraki adımlar
Bkz. Azure Machine Learning'de kullanılabilen bileşenler kümesi .