One-vs-All Multiclass
Important
Le support de Machine Learning Studio (classique) prend fin le 31 août 2024. Nous vous recommandons de passer à Azure Machine Learning avant cette date.
À partir du 1er décembre 2021, vous ne pourrez plus créer de nouvelles ressources Machine Learning Studio (classique). Jusqu’au 31 août 2024, vous pouvez continuer à utiliser les ressources Machine Learning Studio (classique) existantes.
- Consultez les informations sur le déplacement des projets de machine learning de ML Studio (classique) à Azure Machine Learning.
- En savoir plus sur Azure Machine Learning.
La documentation ML Studio (classique) est en cours de retrait et ne sera probablement plus mise à jour.
Crée un modèle de classification multiclasse à partir d'un ensemble de modèles de classification binaire
catégorie : Machine Learning/initialiser le modèle/la Classification
Notes
s’applique à: Machine Learning Studio (classic) uniquement
Des modules par glisser-déposer similaires sont disponibles dans Concepteur Azure Machine Learning.
Vue d’ensemble du module
cet article explique comment utiliser le module multiclasse One-Vs-All dans Machine Learning Studio (classic) pour créer un modèle de classification qui peut prédire plusieurs classes à l’aide de l’approche « une par rapport à tous ».
Ce module est utile pour créer des modèles qui prédisent trois résultats possibles, lorsque le résultat dépend de variables de prédiction continues ou catégoriques. Cette méthode vous permet également d’utiliser des méthodes de classification binaire pour les problèmes qui requièrent plusieurs classes de sortie.
En savoir plus sur les modèles One-vs. All
Bien que certains algorithmes de classification permettent d’utiliser plus de deux classes par conception, d’autres limitent les résultats possibles à l’une des deux valeurs (modèle binaire ou à deux classes). Toutefois, même les algorithmes de classification binaire peuvent être adaptés aux tâches de classification multiclasse à l’aide de différentes stratégies.
Ce module implémente la méthode One-vs-All, dans laquelle un modèle binaire est créé pour chaque classe de sortie. Chacun de ces modèles binaires pour les classes individuelles est évalué par rapport à son complément (toutes les autres classes du modèle) comme s’il s’agissait d’un problème de classification binaire. La prédiction est ensuite effectuée en exécutant ces classifieurs binaires et en choisissant la prédiction avec le score de confiance le plus élevé.
En résumé, un ensemble de modèles individuels est créé et les résultats sont ensuite fusionnés afin de créer un modèle unique qui prédit toutes les classes. Ainsi, tout classifieur binaire peut être utilisé comme base pour un modèle One-vs-All.
Par exemple, supposons que vous configurez un modèle de machine à vecteurs de support à deux classes et que vous le fournissiez comme entrée pour le module de multiclasse One-vs-All . Le module crée des modèles de machine à vecteurs de support à deux classes pour tous les membres de la classe de sortie, puis applique la méthode One-vs-All pour combiner les résultats de toutes les classes.
Comment configurer le classifieur One-vs-All
Ce module crée un ensemble de modèles de classification binaire pour analyser plusieurs classes. Par conséquent, pour utiliser ce module, vous devez tout d’abord configurer et entraîner un modèle de classification binaire.
Vous pouvez ensuite connecter le modèle binaire à un module multiclasse et effectuer l’apprentissage de l’ensemble des modèles à l’aide d’un modèle d’apprentissage avec un jeu de données d’apprentissage étiqueté.
Lorsque vous combinez les modèles, même si le jeu de données d’apprentissage peut avoir plusieurs valeurs de classe, la multiclasse One-vs-All crée plusieurs modèles de classification binaire, optimise l’algorithme pour chaque classe, puis fusionne les modèles.
Ajoutez la multiclasse One-vs-All à votre expérience dans Studio (Classic). vous pouvez trouver ce module sous Machine Learning-initialize, dans la catégorie Classification .
Le classifieur multiclasse One-vs-All n’a pas de paramètres configurables. Toutes les personnalisations doivent être effectuées dans le modèle de classification binaire fourni comme entrée.
Ajoutez un modèle de classification binaire à l’expérience et configurez ce modèle. Par exemple, vous pouvez utiliser Machine à vecteurs de support à deux classes ou Arbre de décision optimisé à deux classes.
Si vous avez besoin d’aide pour choisir l’algorithme approprié, consultez les ressources suivantes :
Ajoutez le module former le modèle à votre expérience et connectez le classifieur non formé qui est la sortie de l' une des classes multiclasses.
Sur l’autre entrée de Entraîner le modèle, connectez un jeu de données d’entraînement étiqueté qui comprend plusieurs valeurs de classe.
Exécutez l’expérience ou sélectionnez apprentissage en model, puis cliquez sur exécuter la sélection.
Résultats
Une fois l’entraînement terminé, vous pouvez utiliser le modèle pour effectuer des prédictions multiclasses.
Vous pouvez également transmettre le classifieur non entraîné à Modèle de validation croisée pour une validation croisée par rapport à un jeu de données de validation étiqueté.
Exemples
Pour obtenir des exemples d’utilisation de cet algorithme d’apprentissage, consultez la Azure ai Gallery:
Catégorisation des actualités: cet exemple utilise une classe de type « un-vs-tout » avec un modèle de forêt de décision à deux classes .
Exemple de classifieur multiclasse compare: les classifieurs binaires sont utilisés pour chaque chiffre et les résultats sont combinés.
Entrées attendues
| Nom | Type | Description |
|---|---|---|
| Modèle de classification binaire non formé | Interface ILearner | Modèle de classification binaire non formé |
Sorties
| Nom | Type | Description |
|---|---|---|
| Untrained model (Modèle non entraîné) | Interface ILearner | Classification multiclasse non formée |
Exceptions
| Exception | Description |
|---|---|
| Erreur 0013 | Une exception se produit si l'apprenant qui a été transmis au module est de type incorrect. |
pour obtenir la liste des erreurs spécifiques aux modules Studio (classiques), consultez Machine Learning codes d’erreur.
pour obtenir la liste des exceptions d’api, consultez Machine Learning les Codes d’erreur de l' api REST.