Egy-vs-all multiclass
Ez a cikk azt ismerteti, hogyan használhatja az Egy és a Minden többosztályos összetevőt az Azure Machine Learning Designerben. A cél egy olyan besorolási modell létrehozása, amely több osztály előrejelzésére képes az egy az egyben megközelítés használatával.
Ez az összetevő olyan modellek létrehozásához hasznos, amelyek három vagy több lehetséges eredményt jeleznek előre, ha az eredmény folyamatos vagy kategorikus prediktorváltozóktól függ. Ez a módszer bináris besorolási módszerek használatát is lehetővé teszi olyan problémák esetén, amelyek több kimeneti osztályt igényelnek.
További információ az egy-az egyben modellekről
Egyes besorolási algoritmusok kétnál több osztály használatát teszik lehetővé tervezés szerint. Mások a lehetséges eredményeket két érték (bináris vagy kétosztályos modell) egyikére korlátozzák. De még a bináris besorolási algoritmusok is számos stratégiával adaptálhatók többosztályos besorolási feladatokhoz.
Ez az összetevő implementálja az egy-az egyben metódust, amelyben bináris modell jön létre a több kimeneti osztály mindegyikéhez. Az összetevő az egyes osztályokhoz tartozó bináris modellek mindegyikét a kiegészítése alapján értékeli (a modell összes többi osztálya), mintha bináris besorolási probléma lenne. A számítási hatékonyság mellett (csak n_classes osztályozókra van szükség) ennek a megközelítésnek az egyik előnye az értelmezhetőség. Mivel minden osztályt csak egy és egy osztályozó képvisel, az osztályról a megfelelő osztályozó vizsgálatával szerezhet ismereteket. Ez a leggyakrabban használt stratégia a többosztályos besoroláshoz, és ez egy tisztességes alapértelmezett választás. Az összetevő ezután a bináris osztályozók futtatásával és a legmagasabb megbízhatósági pontszámmal rendelkező előrejelzés kiválasztásával hajtja végre az előrejelzést.
Az összetevő lényegében egyedi modellekből álló együttest hoz létre, majd egyesíti az eredményeket, és egyetlen modellt hoz létre, amely az összes osztályt előrejelzi. Bármely bináris osztályozó használható egy egy-az-egyhez képesti modell alapjaként.
Tegyük fel például, hogy konfigurál egy kétosztályos támogatási vektorgép-modellt , és ezt adja meg a többosztályos one-vs-all összetevő bemeneteként. Az összetevő kétosztályos támogató vektorgép-modelleket hozna létre a kimeneti osztály minden tagjának. Ezt követően az egy-az egyben metódust alkalmazza az összes osztály eredményeinek kombinálására.
Az összetevő a sklearn OneVsRestClassifier-t használja, és további részleteket itt talál.
A Többosztályos osztályozó konfigurálása
Ez az összetevő bináris besorolási modellekből álló együttest hoz létre több osztály elemzéséhez. Az összetevő használatához először konfigurálnia és be kell tanítania egy bináris besorolási modellt.
A bináris modellt az Egy és a Minden osztály összetevőhöz csatlakoztathatja. Ezután betanítsa a modellek együttesét a Modell betanítása címkézett betanítási adatkészlettel.
A modellek kombinálásakor a One-vs-All Multiclass több bináris besorolási modellt hoz létre, optimalizálja az algoritmust az egyes osztályokhoz, majd egyesíti a modelleket. Az összetevő akkor is elvégzi ezeket a feladatokat, ha a betanítási adatkészlet több osztályértékkel is rendelkezhet.
Adja hozzá a többosztályos egyosztályos összetevőt a folyamathoz a tervezőben. Ezt az összetevőt a Gépi tanulás – Inicializálás kategóriában találja a Besorolás kategóriában.
A One-vs-All többosztályos osztályozó nem rendelkezik saját konfigurálható paraméterekkel. A testreszabásokat bemenetként megadott bináris besorolási modellben kell elvégezni.
Adjon hozzá egy bináris besorolási modellt a folyamathoz, és konfigurálja a modellt. Használhatja például a kétosztályos támogatási vektorgépet vagy a kétosztályos emelt szintű döntési fát.
Adja hozzá a Modell betanítása összetevőt a folyamathoz. Csatlakoztassa a nem betanított osztályozót, amely az Egy és a Minden osztály kimenete.
A Betanítási modell másik bemenetén csatlakoztassa a több osztályértékkel rendelkező címkézett betanítási adatkészletet.
Küldje el a folyamatot.
Results (Eredmények)
A betanítás befejezése után a modell használatával többosztályos előrejelzéseket készíthet.
Másik lehetőségként átadhatja a nem betanított osztályozót a keresztérvényesítési modellnek a címkézett érvényesítési adatkészletek keresztérvényesítéséhez.
Következő lépések
Tekintse meg az Azure Machine Learning számára elérhető összetevőket.