واحد مقابل الكل متعدد الطبقات
توضح هذه المقالة كيفية استخدام المكون واحد مقابل الكل متعدد الطبقات في مصمم Azure Machine Learning. يتمثل الهدف في إنشاء نموذج تصنيف يمكنه توقع فئات متعددة، باستخدام نهج واحد مقابل الكل.
هذا المكون مفيد لإنشاء نماذج تتوقع ثلاث نتائج ممكنة أو أكثر، عندما تعتمد النتيجة على متغيرات التوقع المستمرة أو الفئوية. يتيح لك هذا الأسلوب أيضًا استخدام أساليب التصنيف الثنائي للمشكلات التي تتطلب فئات إخراج متعددة.
المزيد حول نماذج واحد مقابل الكل
تسمح بعض خوارزميات التصنيف باستخدام أكثر من فئتين حسب التصميم. يقيد البعض الآخر النتائج المحتملة إلى إحدى قيمتين (نموذج ثنائي أو من فئتين). ولكن حتى خوارزميات التصنيف الثنائي يمكن تكييفها لمهام التصنيف متعدد الفئات من خلال مجموعة متنوعة من الاستراتيجيات.
ينفذ هذا المكون أسلوب واحد مقابل الكل، حيث يتم إنشاء نموذج ثنائي لكل فئة من فئات الإخراج المتعددة. المكون يقيم كل نموذج من هذه النماذج الثنائية للفئات الفردية مقابل تكملته (جميع الفئات الأخرى في النموذج) كما لو كان مشكلة تصنيف ثنائي. بالإضافة إلى كفاءته الحسابية (هناك حاجة إلى مصنفات n_classes فقط)، تتمثل إحدى مزايا هذا النهج في قابلية تفسيره. نظرًا لأن كل فئة ممثلة بمصنف واحد فقط، فمن الممكن اكتساب المعرفة حول الفئة عن طريق فحص المصنف المقابل لها. هذه هي الاستراتيجية الأكثر استخدامًا للتصنيف متعدد الفئات، وهي خيار افتراضي عادل. ثم يجري المكون التنبؤ عن طريق تشغيل هذه المصنفات الثنائية واختيار التنبؤ بأعلى درجة ثقة.
في الأساس، ينشئ المكون مجموعة من النماذج الفردية ثم يدمج النتائج، لإنشاء نموذج واحد يتوقع جميع الفئات. يمكن استخدام أي مصنف ثنائي باعتباره الأساس لنموذج واحد مقابل الكل.
على سبيل المثال، لنفترض أنك قمت بتكوين نموذج جهاز متجه دعم ثنائي الطبقة وتوفير ذلك كإدخال إلى مكون واحد مقابل الكل متعدد الطبقات. سيقوم المكون بإنشاء نماذج جهاز متجه دعم ثنائي الطبقة لجميع أعضاء فئة الإخراج. ثم سيطبق أسلوب واحد مقابل الكل لدمج النتائج لجميع الفئات.
يستخدم المكون OneVsRestClassifier من sklearn، ويمكنك معرفة المزيد من التفاصيل هنا.
كيفية تكوين مصنف واحد مقابل الكل متعدد الطبقات
ينشئ هذا المكون مجموعة من نماذج التصنيف الثنائي لتحليل فئات متعددة. لاستخدام هذا المكون، تحتاج إلى تكوين نموذج تصنيف ثنائي وتدريبه أولاً.
يمكنك توصيل النموذج الثنائي بمكون واحد مقابل الكل متعدد الطبقات. ثم تقوم بتدريب مجموعة النماذج باستخدام نموذج التدريب مع مجموعة بيانات تدريب مسماة.
عند دمج النماذج، ينشئ واحد مقابل الكل متعدد الطبقات نماذج تصنيف ثنائية متعددة، ويحسن الخوارزمية لكل فئة، ثم يدمج النماذج. يقوم المكون بهذه المهام على الرغم من أن مجموعة بيانات التدريب قد تحتوي على قيم فئات متعددة.
أضف مكون واحد مقابل الكل متعدد الطبقات إلى تدفقاتك في المصمم. يمكنك العثور على هذا المكون ضمن التعلم الآلي - التهيئة، في فئة التصنيف.
لا يحتوي مصنف واحد مقابل الكل متعدد الطبقات على معلمات قابلة للتكوين خاصة به. يجب إجراء أي تخصيصات في نموذج التصنيف الثنائي الذي يتم توفيره كإدخال.
أضف نموذج تصنيف ثنائي إلى التدفقات، وقم بتكوين هذا النموذج. على سبيل المثال، يمكنك استخدام جهاز متجه دعم ثنائي الطبقة أو شجرة قرارات معززة ثنائية الطبقة.
أضف مكون نموذج التدريب إلى تدفقاتك. قم بتوصيل المصنف غير المدرب الذي هو إخراج واحد مقابل الكل متعدد الطبقات.
في الإدخال الآخر من نموذج التدريب، قم بتوصيل مجموعة بيانات تدريب مسماة تحتوي على قيم فئات متعددة.
إرسال المسار.
النتائج
بعد اكتمال التدريب، يمكنك استخدام النموذج لإجراء توقعات متعددة الفئات.
بدلاً من ذلك، يمكنك تمرير المصنف غير المدرب إلى نموذج التحقق التبادلي للتحقق التبادلي مقابل مجموعة بيانات التحقق المسماة.
الخطوات التالية
راجع مجموعة المكونات المتوفرة للتعلم الآلي من Azure.