Egy és egy többosztályos
Ez a cikk az Egy és egy többosztályos összetevő használatát ismerteti 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. Ez a módszer bináris besorolási módszerek használatát is lehetővé teszi olyan problémák esetén, amelyek több kimeneti osztályt igényelnek.
További információ az egy-az-egyhez 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-egyhez képest metódust, amelyben a bináris modell osztálypáronként jön létre. Az előrejelzési időpontban a legtöbb szavazatot kapott osztály lesz kiválasztva. Mivel az osztályozók illesztésére n_classes * (n_classes - 1) / 2 van szükség, 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 n_samples. Ennek az az oka, hogy minden egyes tanulási probléma csak az adatok egy kis részhalmazát foglalja magában, míg az egy az egyben a teljes adatkészletet használja n_classes .
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-az-egyhez képesti modell alapjaként.
Tegyük fel például, hogy konfigurál egy kétosztályos támogatási vektorgép-modellt , és ezt adja meg az Egy és egy többosztályos összetevő bemeneteként. Az összetevő kétosztályos támogató vektorgép-modelleket hozna létre a kimeneti osztály minden tagjának. Ezután az egy-az-egyhez metódust alkalmazza az összes osztály eredményeinek kombinálására.
Az összetevő a sklearn OneVsOneClassifierjét használja, és további részleteket itt talál.
Az Egy és egy 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 egy többosztályos összetevőhöz csatlakoztathatja. 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 kategóriában találja a Besorolás kategóriában.
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 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 a One-vs-One Multiclass 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.