Egy-vs-one multiclass
Ez a cikk azt ismerteti, hogyan használható az Egy és egy többosztályos összetevő az Azure Machine Learning Designerben. A cél egy olyan besorolási modell létrehozása, amely több osztály előrejelzésére képes az egy-az-egyhez megközelítéssel.
Ez az összetevő olyan modellek létrehozásához hasznos, amelyek három vagy több lehetséges eredményt jeleznek előre, ha az eredmény folyamatos vagy kategorikus prediktorváltozóktól függ. Ezzel a módszerrel bináris besorolási módszereket is használhat több kimeneti osztályt igénylő problémák esetén.
További információ az egy-az-egyhez képest 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 különböző stratégiákon keresztül igazíthatók a többosztályos besorolási feladatokhoz.
Ez az összetevő az egy-az-egyhez metódust valósítja meg, amelyben osztálypáronként jön létre bináris modell. Az előrejelzési időpontban a legtöbb szavazatot kapott osztály lesz kiválasztva. Mivel az osztályozóknak el kell férnie n_classes * (n_classes - 1) / 2
, ez a módszer általában lassabb, mint az egy az egyben, az O(n_classes^2) összetettsége miatt. Ez a módszer azonban előnyös lehet olyan algoritmusok esetében, mint a kernelalgoritmusok, amelyek nem méretezhetők megfelelően a használatával n_samples
. Ennek az az oka, hogy minden egyes tanulási probléma csak az adatok egy kis részhalmazát érinti, míg az egy-az-egyhez viszonyítva a teljes adathalmazt használják n_classes
.
Lényegében az összetevő létrehoz egy egyedi modellekből álló együttest, majd egyesíti az eredményeket, hogy egyetlen modellt hozzon létre, amely az összes osztályt előrejelzi. Bármely bináris osztályozó használható az egy-az-egyhez képesti modell alapjaként.
Tegyük fel például, hogy egy kétosztályos támogatási vektorgép-modellt konfigurál, és ezt adja meg bemenetként az Egy és az Egy többosztályos összetevőhöz. Az összetevő kétosztályos támogatóvektor-gépmodelleket hozna létre a kimeneti osztály minden tagjához. Ezután az egy-az-az-egyhez metódust alkalmazza az összes osztály eredményeinek kombinálására.
Az összetevő a sklearn OneVsOneClassifier osztályát használja, és további részleteket itt talál.
Az egy-vs-one többosztályos osztályozó konfigurálása
Ez az összetevő bináris besorolási modellek együttesét hozza létre több osztály elemzéséhez. Az összetevő használatához először konfigurálnia és be kell tanítania egy bináris besorolási modellt.
A bináris modellt a One-vs-One multiclass összetevőhöz csatlakoztatja. Ezután betanítsa a modellek együttesét a Modell betanítása címkézett betanítási adatkészlettel.
A modellek kombinálásakor a One-vs-One 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 one-vs-one multiclass összetevőt a folyamathoz a tervezőben. Ezt az összetevőt a Gépi tanulás – Inicializálás területen, a Besorolás kategóriában találja.
A One-vs-One 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 azt. Használhatja például a kétosztályos támogató vektorgépet vagy a kétosztályos kiemelt döntési fát.
Adja hozzá a Modell betanítása összetevőt a folyamathoz. Csatlakoztassa a betanítatlan osztályozót, amely az Egy és az Egy többosztályos 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 Keresztellenőrzési modellnek keresztérvényesítés céljából egy címkézett érvényesítési adatkészleten.
Következő lépések
Tekintse meg az Azure Machine Learning számára elérhető összetevőket .
Visszajelzés
https://aka.ms/ContentUserFeedback.
Hamarosan elérhető: 2024-ben fokozatosan kivezetjük a GitHub-problémákat a tartalom visszajelzési mechanizmusaként, és lecseréljük egy új visszajelzési rendszerre. További információ:Visszajelzés küldése és megtekintése a következőhöz: