One-vs-One Multiclass
Cet article explique comment utiliser le composant One-vs-One Multiclass du concepteur Azure Machine Learning. L’objectif est de créer un modèle de classification capable de prédire plusieurs classes, en utilisant l’approche One-versus-One (un contre un).
Ce composant est utile pour créer des modèles qui prédisent au moins trois résultats possibles, lorsque le résultat dépend de variables de prédiction continues ou catégorielles. Cette méthode vous permet également d’utiliser des méthodes de classification binaire pour les problèmes qui requièrent plusieurs classes de sortie.
En savoir plus sur les modèles One-versus-One
Certains algorithmes de classification permettent d’utiliser plus de deux classes par conception. D’autres limitent les résultats possibles à l’une des deux valeurs (modèle binaire ou à deux classes). Toutefois, même les algorithmes de classification binaire peuvent être adaptés aux tâches de classification multiclasse via diverses stratégies.
Ce composant implémente la méthode One-vs-One, dans laquelle un modèle binaire est créé pour chaque paire de classes. Au moment de la prédiction, la classe qui a reçu le plus de votes est sélectionnée. Dans la mesure où elle doit ajuster n_classes * (n_classes - 1) / 2 classifieurs, cette méthode est généralement plus lente que la méthode One-versus-All, en raison de sa complexité O(n_classes ^ 2). Toutefois, cette méthode peut être avantageuse pour les algorithmes tels que les algorithmes de noyau qui n’évoluent pas correctement avec n_samples. Cela est dû au fait que chaque problème d’apprentissage individuel implique uniquement un petit sous-ensemble des données, tandis que, avec One-versus-All, le jeu de données complet est utilisé n_classes fois.
En substance, le composant crée un ensemble de modèles individuels, puis fusionne les résultats pour créer un modèle unique qui prédit toutes les classes. Tout classifieur binaire peut être utilisé comme base pour un modèle One-versus-One.
Supposons par exemple que vous configuriez un modèle Machine vectorielle de support multiclasse et que vous le fournissiez en entrée du composant One-vs-One Multiclass. Le composant crée des modèles de machine vectorielles de support à deux classes pour tous les membres de la classe de sortie. Il applique ensuite la méthode One-versus-One pour combiner les résultats de toutes les classes.
Le composant utilise OneVsOneClassifier de sklearn. Pour plus d’informations, cliquez ici.
Comment configurer le classifieur One-vs-One Multiclass
Ce composant crée un ensemble de modèles de classification binaire pour analyser plusieurs classes. Pour pouvoir l’utiliser, vous devez tout d’abord configurer un modèle de classification binaire et en effectuer l’apprentissage.
Vous devez connecter le modèle binaire au composant One-vs-One Multiclass. Ensuite, vous entraînez l’ensemble des modèles en utilisant Entraîner le modèle avec un jeu de données d’entraînement étiqueté.
Lorsque vous combinez les modèles, le module One-vs-One Multiclass crée plusieurs modèles de classification binaire, optimise l’algorithme pour chaque classe, puis fusionne les modèles. Le composant effectue ces tâches même si le jeu de données d’apprentissage comporte plusieurs valeurs de classe.
Ajoutez le composant One-vs-One Multiclass à votre pipeline dans le concepteur. Vous trouverez ce composant sous Machine Learning – Initialiser, dans la catégorie Classification.
Le classifieur One-vs-One Multiclass ne comprend pas de paramètres configurables. Toutes les personnalisations doivent être effectuées dans le modèle de classification binaire fourni comme entrée.
Ajoutez un modèle de classification binaire au pipeline et configurez ce modèle. Par exemple, vous pouvez utiliser Machine à vecteurs de support à deux classes ou Arbre de décision optimisé à deux classes.
Ajoutez le composant Effectuer l’apprentissage d’un modèle à votre pipeline. Connectez le classifieur non entraîné qui correspond à la sortie du module One-vs-One Multiclass.
Sur l’autre entrée du module Entraîner le modèle, connectez un jeu de données d’entraînement étiqueté qui comprend plusieurs valeurs de classe.
Envoyez le pipeline.
Résultats
Une fois l’entraînement terminé, vous pouvez utiliser le modèle pour effectuer des prédictions multiclasses.
Vous pouvez également transmettre le classifieur non entraîné au module Modèle de validation croisée pour une validation croisée par rapport à un jeu de données de validation étiqueté.
Étapes suivantes
Consultez les composants disponibles pour Azure Machine Learning.