Bire Karşı Hepsi Çoklu Sınıf

İkili sınıflandırma modellerinden bir gruptan çok sınıflı sınıflandırma modeli oluşturur

Kategori: Machine Learning / Modeli Başlatma / Sınıflandırma

Not

Uygulama hedefi: Machine Learning Studio (klasik)

Bu içerik yalnızca Studio (klasik) ile ilgilidir. Benzer sürükle ve bırak modülleri Azure Machine Learning tasarımcısına eklenmiştir. Bu makalede iki sürümü karşılaştırandaha fazla bilgi edinin.

Modüle genel bakış

Bu makalede , "bir veya tüm" yaklaşımını kullanarak birden çok sınıfı tahmin edebilir bir sınıflandırma modeli oluşturmak için Azure Machine Learning Studio'da (klasik) One-Vs-All Çok Sınıflı modülünün nasıl kullanılası açıklanmıştır.

Bu modül, sonucun sürekli veya kategorik tahmin değişkenlerine bağlı olduğu üç veya daha fazla olası sonucu tahmin eden modeller oluşturmak için kullanışlıdır. Bu yöntem, birden çok çıkış sınıfı gerektiren sorunlar için ikili sınıflandırma yöntemlerini de kullanmana olanak sağlar.

One-vs.all modelleri hakkında daha fazla bilgi

Bazı sınıflandırma algoritmaları tasarıma göre ikiden fazla sınıfın kullanımına izin verirken, diğerleri olası sonuçları iki değerden (ikili veya iki sınıflı model) biri ile kısıtlar. Ancak, ikili sınıflandırma algoritmaları bile çeşitli stratejiler kullanılarak çok sınıflı sınıflandırma görevleri için uyarlanabilir.

Bu modül, birden çok çıkış sınıflarının her biri için bir ikili modelin oluşturularak bir veya tüm yöntemini kullanır. Tek tek sınıflar için bu ikili modellerin her biri, tamamlayıcısı (modelde diğer tüm sınıflar) için bir ikili sınıflandırma sorunu gibi değerlendirilir. Tahmin daha sonra bu ikili sınıflandırıcılar çalıştırarak ve en yüksek güven puanına sahip tahmini seçerek gerçekleştirilir.

Temel olarak, tüm sınıfları tahmin etmek için tek bir model grubu oluşturulur ve sonuçlar birleştirilir. Bu nedenle, bire bir modelin temeli olarak herhangi bir ikili sınıflandırıcı kullanılabilir.

Örneğin, Iki sınıflı bir destek vektör makine modeli yapılandırıp bunu tek vs-tüm çok sınıf modülüne giriş olarak suntiğinizi varsayalım. Modül, çıkış sınıfının tüm üyeleri için iki sınıf destek vektör makine modeli oluşturur ve sonra tüm sınıfların sonuçlarını birleştirmek için tek vs-All yöntemini uygular.

Tek vs-All sınıflandırıcısını yapılandırma

Bu modül, birden çok sınıfı çözümlemek için ikili sınıflandırma modellerinin bir kopyasını oluşturur. Bu nedenle, bu modülü kullanmak için önce bir ikili sınıflandırma modeli yapılandırıp eğitmeniz gerekir.

Daha sonra, ikili modeli tek vs-All çok Lass modülüne bağlayın ve etiketli eğitim veri kümesiyle modeli eğitme kullanarak modellerin kullanımını eğitebilirsiniz.

Modellerinizi birleştirdiğinizde, eğitim veri kümesi birden çok sınıf değerine sahip olsa bile, tek vs-All çoklu sınıf birden çok ikili sınıflandırma modeli oluşturur, her sınıf için algoritmayı iyileştirir ve sonra modelleri birleştirir.

  1. Studio 'daki (klasik) tek vs-All çok Lass öğesini denemenize ekleyin. Bu modülü, Sınıflandırma kategorisinde Machine Learning-Initialize altında bulabilirsiniz.

    Tek vs-All çok sınıf sınıflandırıcıda kendisine ait yapılandırılabilir parametre yoktur. Tüm özelleştirmeler giriş olarak sağlanmış olan ikili sınıflandırma modelinde yapılmalıdır.

  2. Deneyiye bir ikili sınıflandırma modeli ekleyin ve bu modeli yapılandırın. Örneğin, Iki sınıflı bir destek vektör makinesi veya iki sınıf artırılmış bir karar ağacıkullanabilirsiniz.

    Doğru algoritmayı seçme konusunda yardıma ihtiyacınız varsa şu kaynaklara bakın:

  3. Deneme sürümüne eğitme modeli ekleyin ve bir-vs-All' ın çıktısı olan eğitilen sınıflandırıcısını bağlayın.

  4. Modeli Eğitin'in diğer girişine,birden çok sınıf değerine sahip etiketli bir eğitim veri kümesine bağlanabilirsiniz.

  5. Denemeyi çalıştırın veya Eğitim Modu l'yi seçin ve Seçileni Çalıştır'a tıklayın.

Sonuçlar

Eğitim tamamlandıktan sonra çok sınıflı tahminler yapmak için modeli kullanabilirsiniz.

Alternatif olarak, etiketli doğrulama veri kümesinde çapraz doğrulama için eğitilmemiş sınıflandırıcıyı Çapraz Doğrulama Modeline de geçebilirsiniz.

Örnekler

Bu öğrenme algoritmasının nasıl kullanıldıklarının örnekleri için bkz. Azure Yapay Zeka Galerisi:

Beklenen girişler

Ad Tür Description
Eğitilmemiş ikili sınıflandırma modeli ILearner arabirimi Eğitilmemiş ikili sınıflandırma modeli

Çıkışlar

Ad Tür Description
Eğitilmemiş model ILearner arabirimi Eğitilmemiş çok sınıflı sınıflandırma

Özel durumlar

Özel durum Description
Hata 0013 Modüle geçirilen öğrenici yanlış türde olduğunda bir özel durum oluşur.

Studio (klasik) modüllerine özgü hataların listesi için bkz. Machine Learning kodları.

API özel durumlarının listesi için bkz. Machine Learning REST API Kodları.

Ayrıca bkz.

Sınıflandırma