Bire Karşı Hepsi Çoklu Sınıf
Önemli
Machine Learning Stüdyosu (klasik) desteği 31 Ağustos 2024'te sona erecektir. Bu tarihe kadar Azure Machine Learning'e geçmenizi öneririz.
1 Aralık 2021'den başlayarak artık yeni Machine Learning Stüdyosu (klasik) kaynakları oluşturamayacaksınız. 31 Ağustos 2024'e kadar mevcut Machine Learning Stüdyosu (klasik) kaynaklarını kullanmaya devam edebilirsiniz.
- Makine öğrenmesi projelerini ML Studio'dan (klasik) Azure Machine Learning.
- Daha fazla bilgi Azure Machine Learning.
ML Stüdyosu (klasik) belgeleri kullanımdan kaldırılacak ve gelecekte güncelleştirilmeyecektir.
İkili sınıflandırma modellerinden bir gruptan çok sınıflı sınıflandırma modeli oluşturur
Kategori: Machine Learning / Modeli Başlatma / Sınıflandırma
Not
Uygulama: Machine Learning Studio (yalnızca klasik)
Benzer sürükle ve bırak modülleri tasarımcıda da Azure Machine Learning kullanılabilir.
Modüle genel bakış
Bu makalede , "bir veya tüm" yaklaşımını kullanarak birden çok sınıfı tahmin edebilir bir sınıflandırma modeli oluşturmak için Machine Learning Studio'da (klasik) One-Vs-All Çok Sınıflı modülünün nasıl kullanılası açıklanmıştır.
Bu modül, sonucun sürekli veya kategorik tahmin değişkenlerine bağlı olduğu üç veya daha fazla olası sonucu tahmin eden modeller oluşturmak için kullanışlıdır. Bu yöntem, birden çok çıkış sınıfı gerektiren sorunlar için ikili sınıflandırma yöntemlerini de kullanmana olanak sağlar.
One-vs.all modelleri hakkında daha fazla bilgi
Bazı sınıflandırma algoritmaları tasarıma göre ikiden fazla sınıfın kullanımına izin verirken, diğerleri olası sonuçları iki değerden (ikili veya iki sınıflı model) biri ile kısıtlar. Ancak, ikili sınıflandırma algoritmaları bile çeşitli stratejiler kullanılarak çok sınıflı sınıflandırma görevleri için uyarlanabilir.
Bu modül, birden çok çıkış sınıflarının her biri için bir ikili modelin oluşturulacak bir veya tüm yöntemini kullanır. Tek tek sınıflar için bu ikili modellerin her biri, tamamlayıcısı (modelde diğer tüm sınıflar) için bir ikili sınıflandırma sorunu gibi değerlendirilir. Tahmin daha sonra bu ikili sınıflandırıcılar çalıştırarak ve en yüksek güven puanına sahip tahmini seçerek gerçekleştirilir.
Temel olarak, tüm sınıfları tahmin etmek için tek bir model grubu oluşturulur ve sonuçlar birleştirilir. Bu nedenle, bire bir modelin temeli olarak herhangi bir ikili sınıflandırıcı kullanılabilir.
Örneğin, İki Sınıflı Bir Destek Vektör Makinesi modeli yapılandırmış ve bunu One-Vs-All Çok Sınıflı modülüne giriş olarak sağlamış oluruz. Modül, çıkış sınıfının tüm üyeleri için iki sınıflı destek vektörü makine modelleri oluşturur ve ardından tüm sınıfların sonuçlarını birleştirmek için one-vs-all yöntemini uygulayabilir.
One-vs-All Sınıflandırıcıyı Yapılandırma
Bu modül, birden çok sınıfı analiz etmek için ikili sınıflandırma modellerinden bir grup oluşturur. Bu nedenle, bu modülü kullanmak için önce bir ikili sınıflandırma modeli yapılandırmalı ve eğitin .
Ardından ikili modeli One-Vs-All Çok Sınıflı modülüne bağlar ve Model Eğit'i etiketli eğitim veri kümesiyle kullanarak model grubu eğitebilirsiniz.
Modelleri birleştirirken, eğitim veri kümesi birden çok sınıf değerine sahip olsa da , One-Vs-All Çok Sınıflı birden çok ikili sınıflandırma modeli oluşturur, her sınıf için algoritmayı iyiler ve ardından modelleri birleştirir.
Studio'da (klasik) denemenize One-Vs-All Çoklu Sınıfını ekleyin. Bu modülü Sınıflandırma kategorisindeki Machine Learning - Başlat altında bulabilirsiniz.
One-Vs-All Çok sınıflı sınıflandırıcının kendi yapılandırılabilir parametresi yoktur. Giriş olarak sağlanan ikili sınıflandırma modelinde tüm özelleştirmeler yapılması gerekir.
Denemeye bir ikili sınıflandırma modeli ekleyin ve bu modeli yapılandırarak. Örneğin, İki Sınıflı Destek Vektör Makinesi veya İki SınıflıArtırlı Karar Ağacı kullanabilirsiniz.
Doğru algoritmayı seçerken yardıma ihtiyacınız varsa şu kaynaklara bakın:
Modeli Eğitma modülünü denemenize ekleyin ve One-Vs-All Çoklu Sınıfının çıkışı olan eğitilmemiş sınıflandırıcıyı bağlama.
Modeli Eğit'in diğer girişine, birden çok sınıf değerine sahip etiketli bir eğitim veri kümesine bağlanabilirsiniz.
Denemeyi çalıştırın veya Eğitim Modul'u seçin ve Seçileni Çalıştır'a tıklayın.
Sonuçlar
Eğitim tamamlandıktan sonra çok sınıflı tahminler yapmak için modeli kullanabilirsiniz.
Alternatif olarak, etiketli doğrulama veri kümesinde çapraz doğrulama için eğitilmemiş sınıflandırıcıyı Çapraz Doğrulama Modeline de geçebilirsiniz.
Örnekler
Bu öğrenme algoritmasının nasıl kullanıldıklarının örnekleri için bkz . Azure Yapay Zeka Galerisi:
Haber Kategorilere Ayırma: Bu örnek, İki Sınıflı Karar Ormanı modeli ile One-Vs-All Çok Sınıflı kullanır.
Çok Sınıflı Sınıflandırıcı örneğini karşılaştırma: Her basamak için ikili sınıflandırıcılar kullanılır ve sonuçlar birleştirilmiş olur.
Beklenen girişler
| Ad | Tür | Description |
|---|---|---|
| Eğitilmemiş ikili sınıflandırma modeli | ILearner arabirimi | Eğitilmemiş ikili sınıflandırma modeli |
Çıkışlar
| Ad | Tür | Description |
|---|---|---|
| Eğitilmemiş model | ILearner arabirimi | Eğitilmemiş çok sınıflı sınıflandırma |
Özel durumlar
| Özel durum | Description |
|---|---|
| Hata 0013 | Modüle geçirilen öğrenici yanlış türde olduğunda bir özel durum oluşur. |
Studio (klasik) modüllerine özgü hataların listesi için bkz. Machine Learning kodları.
API özel durumlarının listesi için bkz. Machine Learning REST API Kodları.