One-vs-All Multiclass
Importante
Il supporto dello studio di Azure Machine Learning (versione classica) terminerà il 31 agosto 2024. È consigliabile passare ad Azure Machine Learning entro tale data.
A partire dal 1° dicembre 2021 non sarà possibile creare nuove risorse dello studio di Azure Machine Learning (versione classica). Fino al 31 agosto 2024 sarà possibile continuare a usare le risorse dello studio di Azure Machine Learning (versione classica).
- Vedere leinformazioni sullo spostamento di progetti di Machine Learning da ML Studio (versione classica) ad Azure Machine Learning.
- Altre informazioni sulle Azure Machine Learning.
La documentazione relativa allo studio di Machine Learning (versione classica) è in fase di ritiro e potrebbe non essere aggiornata in futuro.
Crea un modello di classificazione multiclasse da un insieme di modelli di classificazione binari
Categoria: Machine Learning/Inizializza modello/classificazione
Nota
Si applica a: Machine Learning Studio (versione classica)
Nella finestra di progettazione sono disponibili moduli simili Azure Machine Learning trascinamento della selezione.
Panoramica del modulo
Questo articolo descrive come usare il modulo Multiclasse One-Vs-All in Machine Learning Studio (versione classica) per creare un modello di classificazione in grado di stimare più classi, usando l'approccio "uno o tutti".
Questo modulo è utile per la creazione di modelli che stimano tre o più risultati possibili quando il risultato dipende da variabili predittive categoriche o continue. Questo metodo consente inoltre di usare metodi di classificazione binaria per problemi che richiedono più classi di output.
Altre informazioni sui modelli uno-a-tutti
Mentre alcuni algoritmi di classificazione consentono l'uso di più di due classi per impostazione predefinita, altri limitano i risultati possibili a uno dei due valori (un modello binario o a due classi). Tuttavia, anche gli algoritmi di classificazione binaria possono essere adattati per le attività di classificazione multiclasse usando un'ampia gamma di strategie.
Questo modulo implementa il metodo One-Vs-All, in cui viene creato un modello binario per ogni classe di output. Ogni modello binario per le singole classi viene valutato rispetto al rispettivo complemento (tutte le altre classi nel modello), come se si trattasse di un problema di classificazione binaria. La stima viene quindi eseguita eseguendo questi classificatori binari e scegliendo la stima con il punteggio di attendibilità più alto.
In sostanza, viene creato un insieme di singoli modelli e i risultati vengono uniti per poter creare un unico modello che effettua una stima di tutte le classi. Di conseguenza, qualsiasi classificatore binario può essere usato come base per un modello uno-a-tutti.
Si supponga, ad esempio, di configurare un modello Two-Class Support Vector Machine (Macchina a vettori di supporto a due classi) e di specificarlo come input per il modulo One-Vs-All Multiclass (Uno-a-tutti). Il modulo creerebbe modelli di macchina a vettori di supporto a due classi per tutti i membri della classe di output e quindi applicherebbe il metodo uno-a-tutti per combinare i risultati per tutte le classi.
Come configurare il classificatore di tipo One-vs-All
Questo modulo crea un insieme di modelli di classificazione binaria per analizzare più classi. Pertanto, per usare questo modulo, è prima necessario configurare ed eseguire il training di un modello di classificazione binaria.
Connettere quindi il modello binario al modulo Multiclasse One-Vs-All ed eseguire il training dell'insieme di modelli usando Train Model con un set di dati di training etichettato.
Quando si combinano i modelli, anche se il set di dati di training potrebbe avere più valori di classe, la multiclasse One-Vs-All crea più modelli di classificazione binaria, ottimizza l'algoritmo per ogni classe e quindi unisce i modelli.
Aggiungere la multiclasse One-Vs-All all all'esperimento in Studio (versione classica). È possibile trovare questo modulo in Machine Learning - Inizializza nella categoria Classificazione.
Il classificatore multiclasse One-Vs-All non ha parametri configurabili propri. Tutte le personalizzazioni devono essere eseguite nel modello di classificazione binaria fornito come input.
Aggiungere un modello di classificazione binaria all'esperimento e configurare tale modello. Ad esempio, è possibile usare una macchina a vettori di supporto a due classi o un albero delle decisioni con boosted a due classi.
Per assistenza nella scelta dell'algoritmo giusto, vedere le risorse seguenti:
Aggiungere il modulo Train Model (Training modello) all'esperimento e connettere il classificatore senza training che rappresenta l'output della multiclasse One-Vs-All.
Nell'altro input di Train Model (Training modello) connettere un set di dati di training etichettato con più valori di classe.
Eseguire l'esperimento oppure selezionare Train Model (Modalità training) e fare clic su Run Selected (Esegui selezione).
Risultati
Al termine del training, è possibile usare il modello per eseguire stime multiclasse.
In alternativa, è possibile passare il classificatore senza training al modello di convalida incrociata per la convalida incrociata rispetto a un set di dati di convalida con etichetta.
Esempio
Per esempi di come viene usato questo algoritmo di apprendimento, vedere l'Azure AI Gallery:
Categorizzazione delle notizie: questo esempio usa una o tutte le multiclassi con un modello di foresta delle decisioni a due classi.
Confrontare l'esempio di classificatore multiclasse: i classificatori binari vengono usati per ogni cifra e i risultati vengono combinati.
Input previsti
| Nome | Tipo | Descrizione |
|---|---|---|
| Modello di classificazione binaria senza training | ILearner interface | Modello di classificazione binaria senza training |
Output
| Nome | Tipo | Descrizione |
|---|---|---|
| Untrained model | ILearner interface | Classificazione multiclasse senza training |
Eccezioni
| Eccezione | Descrizione |
|---|---|
| Errore 0013 | Si verifica un'eccezione se lo strumento di apprendimento passato al modulo è di tipo errato. |
Per un elenco di errori specifici dei moduli di Studio (versione classica), vedere l'Machine Learning codici di errore.
Per un elenco delle eccezioni API, vedere l'Machine Learning di errore dell'API REST.