One-vs-All Multiclass
Fontos
A (klasszikus) Machine Learning Studio támogatása 2024. augusztus 31-én megszűnik. Javasoljuk, hogy addig térjen át az Azure Machine Learning használatára.
2021. december 1-től kezdve nem fog tudni létrehozni új (klasszikus) Machine Learning Studio-erőforrásokat. 2024. augusztus 31-ig továbbra is használhatja a meglévő (klasszikus) Machine Learning Studio-erőforrásokat.
- További információ a gépi tanulási projektek a ML Studióból a klasszikusból a Azure Machine Learning.
- További információ a Azure Machine Learning.
A (klasszikus) ML Studio dokumentációjának kivezetése folyamatban van, és a jövőben nem várható a frissítése.
Többosztályos besorolási modellt hoz létre bináris besorolási modellek együttese alapján
Kategória: Machine Learning / Modell inicializálása / Besorolás
Megjegyzés
A következőkre vonatkozik: Machine Learning Studio (klasszikus)
Hasonló húzással használható modulok érhetők el Azure Machine Learning tervezőben.
A modul áttekintése
Ez a cikk azt ismerteti, hogyan használható az egy-az-egyhez többosztályos modul a Machine Learning Studio (klasszikus) moduljában olyan besorolási modell létrehozásához, amely több osztályt képes előrejelezni az "egy vagy az összeshez" megközelítés használatával.
Ez a modul olyan modellek létrehozásához hasznos, amelyek három vagy több lehetséges eredményt jeleznek előre, ha az eredmény folyamatos vagy kategorikus prediktív változóktól függ. Ezzel a módszerrel bináris besorolási metódusokat is használhat olyan problémák esetén, amelyek több kimeneti osztályt igényelnek.
További információ az egy-az-egyhez modellekről
Míg egyes besorolási algoritmusok több mint két osztály használatát teszik lehetővé, mások a lehetséges eredményeket két érték (bináris vagy kétosztályos modell) egyikére korlátozzák. Azonban még a bináris besorolási algoritmusok is adaptálhatóak a többosztályos besorolási feladatokhoz különböző stratégiák használatával.
Ez a modul az egy vagy az összes metódust implementálja , amelyben bináris modell jön létre az egyes kimeneti osztályokhoz. Az egyes osztályok ezen bináris modelljeinek mindegyikét a rendszer a kiegészítője alapján értékeli (a modell összes többi osztálya), mintha bináris besorolási probléma lenne. Az előrejelzés ezután ezen bináris osztályozók futtatásával és a legmagasabb megbízhatósági pontszámmal rendelkező előrejelzés kiválasztásával történik.
Lényegében az egyes modellek egyvelege jön létre, az eredmények egyesítése pedig egyetlen, az összes osztályt előrejelző modell létrehozásához. Így bármely bináris osztályozó használható egy-az-egyhez modell alapjaként.
Tegyük fel például, hogy konfigurál egy kétosztályos támogató vektorgép-modellt, és ezt adja meg bemenetként a One-Vs-All Multiclass modulhoz. A modul kétosztályos támogatóvektor-gépmodelleket hoz létre a kimeneti osztály összes tagja számára, majd az egy-az-egyhez metódust alkalmazva kombinálja az eredményeket az összes osztályra.
Az egy-az-egyhez osztályozó konfigurálása
Ez a modul bináris besorolási modellek együttesét hozza létre több osztály elemzéséhez. Ezért a modul használatának első lépéseként egy bináris besorolási modellt kell konfigurálnia és betanítnia.
Ezután csatlakoztatja a bináris modellt a One-Vs-All Multiclass modulhoz, és betanítja a modellek együttesét a Train Model (Modell betanítása) címkével jelölt betanítás adatkészlet használatával.
A modellek egyesítésekor annak ellenére, hogy a betanítás adatkészlete több osztályértékkel is lehet, a One-Vs-All Multiclass több bináris besorolási modellt hoz létre, optimalizálja az algoritmust az egyes osztályokhoz, majd egyesíti a modelleket.
Adja hozzá a One-Vs-All Multiclass osztályt a kísérlethez a Studióban (klasszikus). Ezt a modult a Besorolás kategória Machine Learning – Inicializálás szakaszában találja.
A One-Vs-All Multiclass osztályozónak nincs saját konfigurálható paramétere. Minden testreszabást a bemenetként megadott bináris besorolási modellben kell eszközlni.
Adjon hozzá egy bináris besorolási modellt a kísérlethez, és konfigurálja azt. Használhat például egy kétosztályos támogatóvektor-gépet vagy egy kétosztályos , kiemelt döntési fát.
Ha segítségre van szüksége a megfelelő algoritmus kiválasztásához, tekintse meg az alábbi forrásokat:
Adja hozzá a Train Model (Modell betanítása) modult a kísérlethez, és kösse össze a nem betanított osztályozót, amely a One-Vs-All Multiclass kimenete.
A Train Model (Modell betanítása) másik bemenetéhez kösse össze a többosztályos értékekkel rendelkező címkézett betanítás adathalmazt.
Futtassa a kísérletet, vagy válassza a Train Model (Model betanítás) lehetőséget, és kattintson a Run Selected (Futtatás kiválasztva) gombra.
Results (Eredmények)
A betanítás befejezése után a modell használatával többosztályos előrejelzéseket is lehet tenni.
Másik lehetőségként át is használhatja a nem képezett osztályozót a Cross-Validate Model (Modell keresztellenőrzése) beállításnak a címkézett ellenőrzési adatkészletekkel való keresztellenőrzéshez.
Példák
A tanulási algoritmus használatára vonatkozó példákért tekintse meg a következő Azure AI Gallery:
Hírek kategorizálása: Ez a minta egy-az-egyhez többosztályos modellt használ egy kétosztályos döntési erdő modellel .
Multiclass Classifier-minta összehasonlítása: A rendszer bináris osztályozókat használ minden számjegyhez, és kombinálja az eredményeket.
Várt bemenetek
| Név | Típus | Description |
|---|---|---|
| Nem korlátozott bináris besorolási modell | ILearner interfész | Nem korlátozott bináris besorolási modell |
Kimenetek
| Név | Típus | Description |
|---|---|---|
| Nem képezett modell | ILearner interfész | Nem korlátozott többosztályos besorolás |
Kivételek
| Kivétel | Description |
|---|---|
| 0013-as hiba | Kivétel akkor fordul elő, ha a modulnak átadott tanuló nem a megfelelő típus. |
A Studio (klasszikus) moduljaival kapcsolatos hibák listájáért tekintse meg a Machine Learning hibakódokat.
Az API-kivételek listáját a hibakódok Machine Learning REST API.