moduł wieloklasowy „jeden przeciw wszystkim”
Ważne
Obsługa programu Machine Learning Studio (wersja klasyczna) zakończy się 31 sierpnia 2024 r. Zalecamy przejście do usługi Azure Machine Learning przed tym terminem.
Od 1 grudnia 2021 r. nie będzie można tworzyć nowych zasobów programu Machine Learning Studio (wersja klasyczna). Do 31 sierpnia 2024 r. można będzie nadal korzystać z istniejących zasobów programu Machine Learning Studio (wersja klasyczna).
- Zobacz informacje na temat przenoszenia projektów uczenia maszynowego z programu ML Studio (wersja klasyczna) do Azure Machine Learning.
- Dowiedz się więcej o Azure Machine Learning.
Dokumentacja programu ML Studio (wersja klasyczna) jest wycofywana i może nie być aktualizowana w przyszłości.
Tworzy wieloklasowy model klasyfikacji z zestawu binarnych modeli klasyfikacji
Kategoria: Machine Learning / Inicjowanie modelu / klasyfikacji
Uwaga
Dotyczy: Machine Learning Studio (wersja klasyczna)
Podobne moduły przeciągania i upuszczania są dostępne w Azure Machine Learning projektanta.
Omówienie modułu
W tym artykule opisano, jak za pomocą modułu wieloklasowego One Vs-All w programie Machine Learning Studio (klasycznym) utworzyć model klasyfikacji, który może przewidywać wiele klas przy użyciu podejścia "jeden a wszystkie".
Ten moduł jest przydatny do tworzenia modeli, które przewidują co najmniej trzy możliwe wyniki, gdy wynik zależy od ciągłych lub kategorii zmiennych predyktorów. Ta metoda umożliwia również używanie binarnych metod klasyfikacji w przypadku problemów, które wymagają wielu klas danych wyjściowych.
Więcej informacji na temat modeli "jeden vs.all"
Podczas gdy niektóre algorytmy klasyfikacji zezwalają na użycie więcej niż dwóch klas w projekcie, inne ograniczają możliwe wyniki do jednej z dwóch wartości (modelu binarnego lub dwuklasowego). Jednak nawet algorytmy klasyfikacji binarnej można dostosować do zadań klasyfikacji wieloklasowej przy użyciu różnych strategii.
W tym module implementuje się metodę one vs. all, w której jest tworzony model binarny dla każdej z wielu klas danych wyjściowych. Każdy z tych modeli binarnych dla poszczególnych klas jest oceniany pod względem jego dopełnień (wszystkie inne klasy w modelu) tak, jakby był to problem klasyfikacji binarnej. Przewidywanie jest następnie wykonywane przez uruchomienie tych klasyfikatorów binarnych i wybranie przewidywania o najwyższym wskaźniku ufności.
W zasadzie tworzona jest grupowanie poszczególnych modeli, a wyniki są następnie scalane w celu utworzenia jednego modelu, który przewiduje wszystkie klasy. W związku z tym każdy klasyfikator binarny może służyć jako podstawa modelu "jeden na wszystkie".
Załóżmy na przykład, że konfigurujesz dwuklasowy model maszyny wektorów wsparcia i dostarczasz go jako dane wejściowe do modułu wieloklasowego Jeden vs wszystkie . Moduł tworzy dwuklasowe modele maszyn wektorów obsługi dla wszystkich składowych klasy wyjściowej, a następnie stosuje metodę "jeden na wszystkie" w celu połączenia wyników dla wszystkich klas.
How to Configure the One-vs-All Classifier
Ten moduł tworzy zespołów binarnych modeli klasyfikacji w celu analizowania wielu klas. W związku z tym, aby korzystać z tego modułu, należy najpierw skonfigurować i wytszkolić binarny model klasyfikacji .
Następnie połączysz model binarny z modułem wieloklasowym One-Vs-All i przeszkolisz zespołów modeli przy użyciu funkcji Train Model (Trenowanie modelu) z zestawem danych treningowych z etykietami.
Jeśli połączysz modele, mimo że zestaw danych treningowych może mieć wiele wartości klas, wieloklasa One-Vs-All tworzy wiele binarnych modeli klasyfikacji, optymalizuje algorytm dla każdej klasy, a następnie scala modele.
Dodaj wieloklasę One-Vs-All do eksperymentu w programie Studio (wersja klasyczna). Ten moduł można znaleźć w Machine Learning — Inicjowanie w kategorii Klasyfikacja.
Klasyfikator jeden vs wszystkie klasyfikatora wieloklasowego nie ma żadnych konfigurowalnych parametrów. Wszelkie dostosowania należy wykonać w binarnym modelu klasyfikacji, który jest dostarczany jako dane wejściowe.
Dodaj binarny model klasyfikacji do eksperymentu i skonfiguruj go. Można na przykład użyć dwuklasowej maszyny wektorów wsparcia lub dwuklasowego, wzmacnianego drzewa decyzyjnego.
Jeśli potrzebujesz pomocy przy wyborze odpowiedniego algorytmu, zapoznaj się z tymi zasobami:
Dodaj moduł Train Model (Trenowanie modelu) do eksperymentu i połącz nieprzetrenowany klasyfikator, który jest wyjściem wieloklasy One-Vs-All.
Z innymi danymi wejściowymi train model (Trenowanie modelu) połącz zestaw danych treningowych z etykietą, który ma wiele wartości klasy.
Uruchom eksperyment lub wybierz pozycję Train Model (Tryb trenowania) i kliknij pozycję Run Selected (Uruchom wybrane).
Wyniki
Po zakończeniu trenowania można użyć modelu do tworzenia przewidywań wieloklasowych.
Alternatywnie można przekazać nieprzetrenowany klasyfikator do modelu krzyżowej weryfikacji w celu krzyżowego sprawdzania poprawności zestawu danych weryfikacji z etykietą.
Przykłady
Przykłady sposobu, w jaki jest używany ten algorytm uczenia, można znaleźć w Azure AI Gallery:
Kategoryzacja wiadomości: w tym przykładzie użyto multiklasy "jeden vs wszystkie" z dwuklasowym modelem lasu decyzyjnego .
Porównaj przykład klasyfikatora wieloklasowego: Klasyfikatory binarne są używane dla każdej cyfry, a wyniki są łączone.
Oczekiwane dane wejściowe
| Nazwa | Typ | Opis |
|---|---|---|
| Nieprzetrenowany binarny model klasyfikacji | ILearner, interfejs | Nieprzetrenowany binarny model klasyfikacji |
Dane wyjściowe
| Nazwa | Typ | Opis |
|---|---|---|
| Nieprzetrenowany model | ILearner, interfejs | Nieprzetrenowana klasyfikacja wieloklasowa |
Wyjątki
| Wyjątek | Opis |
|---|---|
| Błąd 0013 | Wyjątek występuje, jeśli element ujmący, który został przekazany do modułu, jest nieprawidłowym typem. |
Aby uzyskać listę błędów specyficznych dla modułów programu Studio (wersja klasyczna), zobacz Machine Learning Kodów błędów.
Aby uzyskać listę wyjątków interfejsu API, zobacz Machine Learning API REST Error Codes (Kody błędów interfejsu API REST).