1-versus-all Multiclass
Důležité
Podpora studia Machine Learning (Classic) skončí 31. srpna 2024. Doporučujeme do tohoto data přejít na službu Azure Machine Learning.
Od 1. prosince 2021 nebude možné vytvářet nové prostředky studia Machine Learning (Classic). Do 31. srpna 2024 můžete pokračovat v používání stávajících prostředků studia Machine Learning (Classic).
- přečtěte si informace o přesunu projektů strojového učení z ML Studio (classic) do Azure Machine Learning.
- přečtěte si další informace o Azure Machine Learning.
Dokumentace ke studiu ML (Classic) se vyřazuje z provozu a v budoucnu se nemusí aktualizovat.
Vytvoří model klasifikace s více třídami ze sady binárních modelů klasifikace.
kategorie: Machine Learning/inicializovat Model/klasifikace
Poznámka
platí pro: jenom Machine Learning Studio (classic)
podobné moduly přetažení jsou k dispozici v návrháři Azure Machine Learning.
Přehled modulu
tento článek popisuje, jak použít modul s více třídami v sadě Machine Learning Studio (classic) k vytvoření klasifikačního modelu, který může předpovědět více tříd pomocí přístupu "jeden Vs. All".
Tento modul je vhodný pro vytváření modelů, které předpovídá tři nebo více možných výsledků, pokud výsledek závisí na kontinuálním nebo kategorií proměnných prediktivních proměnných. Tato metoda také umožňuje použít binární metody klasifikace pro problémy, které vyžadují více výstupních tříd.
Další informace o One-vs. všechny modely
I když některé algoritmy klasifikace umožňují použití více než dvou tříd podle návrhu, jiné omezují možné výsledky na jednu ze dvou hodnot (binární typ nebo model dvou tříd). Dokonce i algoritmy binární klasifikace je však možné přizpůsobit pro úlohy klasifikace více tříd pomocí různých strategií.
Tento modul implementuje jednu metodu vs. All, ve které je vytvořen binární model pro každou z více tříd Output. Každý z těchto binárních modelů pro jednotlivé třídy je hodnocen proti svému doplňku (všechny ostatní třídy v modelu), jako by se jednalo o binární problém klasifikace. Předpověď se pak provede spuštěním těchto binárních klasifikátorů a volbou předpovědi s nejvyšším stupněm spolehlivosti.
V podstatě se vytvoří komplet jednotlivých modelů a výsledky se pak sloučí, aby se vytvořil jeden model, který předpovídá všechny třídy. Proto lze použít jakýkoli binární klasifikátor, který bude použit jako základ pro model založený na jednom vs-ALL.
Řekněme například, že nakonfigurujete vícevrstvý model strojového modelu podpory a poskytnete ho jako vstup do modulu s více třídami, který je součástí třídy One-vs-All . Modul vytvoří pro všechny členy třídy Output modely pro vektorové modely podpory a pak použijte metodu s jednou a všemi pro kombinování výsledků pro všechny třídy.
Postup konfigurace třídění One-vs-All
Tento modul vytvoří komplet binárních modelů klasifikace pro analýzu více tříd. Proto pokud chcete použít tento modul, musíte nejdřív nakonfigurovat a vytvořit binární klasifikační model.
Pak můžete připojit binární model k jednomu-vs-All s více třídami a vlakovat sadu modelů pomocí výukového modelu s popisem školicí datové sady.
Při kombinování modelů, i když je možné, že datová sada pro školení může mít více hodnot třídy, vytvoří jedna-vs-All-Class více binárních klasifikačních modelů, optimalizuje algoritmus pro každou třídu a poté sloučí modely.
Přidejte do experimentu v aplikaci Studio (Classic) jednu a více tříd . tento modul můžete najít v části Machine Learning-Initialize v kategorii klasifikace .
Jeden a více tříd klasifikátoru s více třídami nemá vlastní konfigurovatelné parametry. Jakékoli vlastní nastavení se musí provést v binárním klasifikačním modelu, který je poskytován jako vstup.
Přidejte do experimentu binární model klasifikace a nakonfigurujte tento model. Například můžete použít Mezitřídní vektorový počítač nebo se dvěma třídami zesílený rozhodovací strom.
Pokud potřebujete pomáhat s výběrem správného algoritmu, podívejte se na tyto prostředky:
Přidejte modul vlakového modelu do experimentu a připojte nevýukový klasifikátor, který je výstupem jedné a z více tříd.
Na ostatních vstupech modelu vlakůspojte sadu dat s popiskem, která má více hodnot třídy.
Spusťte experiment nebo vyberte možnost režim výukyl a klikněte na tlačítko Spustit vybrané.
Výsledky
Po dokončení školení můžete použít model k vytvoření předpovědi pro více tříd.
Alternativně můžete předat nevýukový klasifikátor do modelu křížového ověřování pro křížové ověřování proti označené sadě dat ověřování.
Příklady
Příklady toho, jak se tento algoritmus výuky používá, najdete v Azure AI Gallery:
Kategorizace zpráv: Tato ukázka používá jednu a více tříd s více třídami s modelem rozhodovací doménové struktury se dvěma třídami .
Porovnat třídu třídění s více třídami: binární klasifikátory se používají pro každou číslici a výsledky jsou kombinovány.
Očekávané vstupy
| Název | Typ | Description |
|---|---|---|
| Nevýukový model binární klasifikace | Rozhraní ILearner | Nevýukový binární klasifikační model |
Výstupy
| Název | Typ | Description |
|---|---|---|
| Nevlakový model | Rozhraní ILearner | Nevlaková klasifikace s více třídami |
Výjimky
| Výjimka | Description |
|---|---|
| Chyba 0013 | K výjimce dojde v případě, že se informace předané do modulu nejedná o nesprávný typ. |
seznam chyb, které jsou specifické pro moduly studia (classic), najdete v článku kódy chyb Machine Learning.
seznam výjimek rozhraní API najdete v tématu Machine Learning REST API chybové kódy.