一對多多級
重要
Machine Learning 工作室 (傳統) 的支援將於 2024 年 8 月 31 日結束。 建議您在該日期之前轉換成 Azure Machine Learning。
自 2021 年 12 月 1 日起，您將無法建立新的 Machine Learning 工作室 (傳統) 資源。 在 2024 年 8 月 31 日之前，您可以繼續使用現有的 Machine Learning 工作室 (傳統) 資源。
ML 工作室 (傳統) 文件即將淘汰，未來將不再更新。
從二元分類模型的集成建立多級分類模型
模組概觀
本文說明如何在機器學習 Studio (傳統) 中使用一對一的多元模組，以建立可使用「一對一」和「全部」方法來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 one-vs。所有模型
雖然某些分類演算法允許在設計中使用兩個以上的類別，但其他類別會將可能的結果限制為兩個值的其中之一 (二進位或雙類別的模型) 。 但是，即使是二元分類演算法，也可以使用各種不同的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，都會建立一個二元模型。 個別類別的每個二元模型會根據其互補模型來評估 (模型中的所有其他類別)，就好像是二元分類問題一樣。 然後藉由執行這些二元分類器來執行預測，並選擇具有最高信賴分數的預測。
本質上會以個別模型來建立並合併成集團，然後合併結果，以建立可預測所有級別的單一模型。 因此，任何二元分類器都可用來做為一對一模型的基礎。
例如，假設您設定 兩個類別的支援向量機器 模型，並將它提供給 一對多多元 模組的輸入。 模組會針對輸出類別的所有成員建立兩個類別的支援向量機器模型，然後套用一對多方法來合併所有類別的結果。
如何設定一對多分類器
此課程模組會建立二元分類模型的集團來分析多個類別。 因此，若要使用此模組，您必須先設定和定型 二元分類 模型。
然後，您可以將二進位模型連接到 一對多多元 模組，並使用 定型模型 搭配加上標籤的訓練資料集來定型模型的集團。
當您結合模型時，即使訓練資料集可能會有多個類別值， 一對一的多元 會建立多個二元分類模型、將每個類別的演算法優化，然後合併模型。
在 Studio (傳統) 中，將 一對多多元 新增至您的實驗。 您可以在 [分類] 類別中的 [機器學習-初始化] 下找到此模組。
一對多多元分類器沒有自己的可設定參數。 任何自訂都必須在提供做為輸入的二元分類模型中完成。
將二元分類模型新增至實驗，並設定該模型。 例如，您可以使用 二級支援向量機器 或 雙類別促進式決策樹。
如果您需要協助以選擇正確的演算法，請參閱下列資源：
將「 定型模型 」模組新增至您的實驗，並將未定型的分類器（即 一對多多元的輸出）連接在一起。
在 [ 定型模型] 的其他輸入上，連接具有多個類別值的加上標籤訓練資料集。
執行實驗，或選取 [ 定型模式]，然後按一下 [ 執行選取]。
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，您可以將未定型的分類器傳遞至 交叉驗證模型 ，以根據加上標籤的驗證資料集進行交叉驗證。
範例
如需如何使用這個學習演算法的範例，請參閱 Azure AI 資源庫：
預期的輸入
| 名稱 | 類型 | 說明 |
|---|---|---|
| 未定型二元分類模型 | ILearner 介面 | 未定型的二元分類模型 |
輸出
| 名稱 | 類型 | 描述 |
|---|---|---|
| 未定型的模型 | ILearner 介面 | 未定型的多級分類 |
例外狀況
| 例外狀況 | 描述 |
|---|---|
| 錯誤 0013 | 如果傳遞至模組的學習因子是錯誤類型，則會發生例外狀況。 |
如需 Studio (傳統) 模組特定的錯誤清單，請參閱機器學習錯誤碼。
如需 API 例外狀況的清單，請參閱機器學習 REST API 錯誤碼。