一對多多級
本文說明如何使用 Azure Machine Learning 設計工具中的「一對多」多元分類元件。 其目標在於使用「一對多」方法，建立可預測多個類別的分類模型。
當結果取決於連續或類別預測量變數時，此模組可用來建立能夠預測三個或更多可能結果的模型。 此方法也可讓您使用二元分類方法解決需要多個輸出級別的問題。
深入瞭解一對多模型
某些分類演算法允許預設使用兩個以上的類別。 其他分類演算法會將可能的結果限制為兩個值的其中一個 (二元或雙類別模型)。 但即使是二元分類演算法，也可以透過各種策略來調整多類別分類工作。
此模組實作「一對多」方法，針對多個輸出類別中的每個類別，皆會建立一個二進位模型。 元件會根據其互補 (模型中的其他所有類別) 以二元分類問題的方式來評估個別類別的每個二進位模型。 除了其計算效率以外 (僅需要 n_classes 個分類器)，這種方法的其中一個優點就是它的可解譯性。 由於每個類別只會以一個分類器表示，因此您可以藉由查看對應的分類器來進一步瞭解該類別。 這是多類別分類最常使用的策略，且是合理的預設選擇。 元件接著會執行這些二進位分類器，並選擇具有最高信賴度分數的預測，以執行預測作業。
本質上而言，元件會以個別模型來建立集團，然後再合併結果以建立可預測所有類別的單一模型。 任何二進位分類器都可用來做為一對多模型的基礎。
例如，假設您設定「二元支援向量機器」模型，並將其提供做為「一對多」多元分類元件的輸入。 元件會針對輸出類別的所有成員，建立二元支援向量機器模型。 然後，其會套用一對多方法來合併所有類別的結果。
此元件使用 sklearn 的 OneVsRestClassifier，您可以在此處深入瞭解詳細資訊。
如何設定「一對多」多元分類分類器
此元件會建立二元分類模型的集團來分析多個類別。 如要使用此元件，您必須先設定和定型二元分類模型。
您可以將二進位模型連線至「一對多」多元分類元件。 然後，您可以使用定型模型搭配已標記的定型資料集來定型模型的集團。
在合併模型時，「一對多」多元分類會建立多個二元分類模型、將每個類別的演算法最佳化，然後再合併模型。 雖然訓練資料集可能會有多個類別值，但元件還是會執行這些工作。
在設計工具中，將「一對多」多元分類元件新增至您的管線。 您可以在 [分類] 類別中的 [機器學習：初始化] 下找到此元件。
「一對多」多元分類分類器沒有專屬的可設定參數。 任何自訂皆必須在提供做為輸入的二元分類模型中完成。
提交管線。
結果
完成定型之後，您可以使用模型來進行多類別預測。
或者，您可將未定型的分類器傳遞至交叉驗證模型，根據已標記的驗證資料集進行交叉驗證。
後續步驟
請參閱 Azure Machine Learning 可用的元件集。