一對多多級

從二元分類模型的集成建立多級分類模型

類別: 機器學習/初始化模型/分類

注意

適用于 : Machine Learning Studio (傳統)

此內容僅適用于 Studio (傳統) 。 Azure Machine Learning 設計工具中已新增類似的拖放模組。 若要深入瞭解 這兩個版本,請參閱這篇文章

模組概觀

本文說明如何使用 Azure Machine Learning Studio (傳統) 中的 一對一多元 模組,以建立可使用「一對一」和「全部」方法來預測多個類別的分類模型。

當結果取決於連續或類別預測量變數時,此模組可用來建立能夠預測三個或更多可能結果的模型。 此方法也可讓您使用二元分類方法解決需要多個輸出級別的問題。

深入瞭解 one-vs。所有模型

雖然某些分類演算法允許在設計中使用兩個以上的類別,但其他類別會將可能的結果限制為兩個值的其中之一 (二進位或雙類別的模型) 。 但是,即使是二元分類演算法,也可以使用各種不同的策略來調整多類別分類工作。

此模組實作「一對多方法」,針對多個輸出類別中的每個類別,都會建立一個二元模型。 個別類別的每個二元模型會根據其互補模型來評估 (模型中的所有其他類別),就好像是二元分類問題一樣。 然後藉由執行這些二元分類器來執行預測,並選擇具有最高信賴分數的預測。

本質上會以個別模型來建立並合併成集團,然後合併結果,以建立可預測所有級別的單一模型。 因此,任何二元分類器都可用來做為一對一模型的基礎。

例如,假設您設定 兩個類別的支援向量機器 模型,並將它提供給 一對多多元 模組的輸入。 模組會針對輸出類別的所有成員建立兩個類別的支援向量機器模型,然後套用一對多方法來合併所有類別的結果。

如何設定一對多分類器

此課程模組會建立二元分類模型的集團來分析多個類別。 因此,若要使用此模組,您必須先設定和定型 二元分類 模型。

然後,您可以將二進位模型連接到 一對多多元 模組,並使用 定型模型 搭配加上標籤的訓練資料集來定型模型的集團。

當您結合模型時,即使訓練資料集可能會有多個類別值, 一對一的多元 會建立多個二元分類模型、將每個類別的演算法優化,然後合併模型。

  1. 在 Studio (傳統) 中,將 一對多多元 新增至您的實驗。 您可以 在 [類別 目錄] 中的 [機器學習-初始化] 下找到此模組。

    一對多多元 分類器沒有自己的可設定參數。 任何自訂都必須在提供做為輸入的二元分類模型中完成。

  2. 將二元分類模型新增至實驗,並設定該模型。 例如,您可以使用 二級支援向量機器雙類別促進式決策樹

    如果您需要協助以選擇正確的演算法,請參閱下列資源:

  3. 將「 定型模型 」模組新增至您的實驗,並將未定型的分類器(即 一對多多元 的輸出)連接在一起。

  4. 在 [ 定型模型] 的其他輸入上,連接具有多個類別值的加上標籤訓練資料集。

  5. 執行實驗,或選取 [ 定型模式],然後按一下 [ 執行選取]。

結果

定型完成之後,您可以使用模型來進行多元預測。

或者,您可以將未定型的分類器傳遞至 交叉驗證模型 ,以根據加上標籤的驗證資料集進行交叉驗證。

範例

如需如何使用此學習演算法的範例,請參閱 AZURE AI 資源庫

預期的輸入

名稱 類型 Description
未定型二元分類模型 ILearner 介面 未定型的二元分類模型

輸出

名稱 類型 Description
未定型的模型 ILearner 介面 未定型的多級分類

例外狀況

例外狀況 描述
錯誤 0013 如果傳遞至模組的學習因子是錯誤類型,則會發生例外狀況。

如需 Studio (傳統) 模組特定的錯誤清單,請參閱 機器學習錯誤碼

如需 API 例外狀況的清單,請參閱 機器學習 REST API 錯誤碼

另請參閱

分類