One-vs-All Multiclass

In dit artikel wordt beschreven hoe u het onderdeel One-vs-All Multiclass gebruikt in Azure Machine Learning Designer. Het doel is om een classificatiemodel te maken dat meerdere klassen kan voorspellen met behulp van de een-versus-alle benadering.

Dit onderdeel is handig voor het maken van modellen die drie of meer mogelijke resultaten voorspellen wanneer het resultaat afhankelijk is van continue of categorische voorspelvariabelen. Met deze methode kunt u ook binaire classificatiemethoden gebruiken voor problemen waarvoor meerdere uitvoerklassen zijn vereist.

Meer informatie over een-versus-alle modellen

Sommige classificatiealgoritmen maken het gebruik van meer dan twee klassen per ontwerp mogelijk. Andere beperken de mogelijke resultaten tot een van twee waarden (een binair of tweeklassemodel). Maar zelfs binaire classificatiealgoritmen kunnen worden aangepast voor classificatietaken met meerdere klassen via verschillende strategieën.

Dit onderdeel implementeert de een-versus-alle-methode, waarin een binair model wordt gemaakt voor elk van de meerdere uitvoerklassen. Het onderdeel beoordeelt elk van deze binaire modellen voor de afzonderlijke klassen ten opzichte van het complement (alle andere klassen in het model) alsof het een probleem met binaire classificatie is. Naast de rekenefficiëntie (er zijn alleen n_classes classificaties nodig), is een voordeel van deze benadering de interpretatiebaarheid. Aangezien elke klasse wordt vertegenwoordigd door één en één classificatie, is het mogelijk om kennis over de klasse te verkrijgen door de bijbehorende classificatie te inspecteren. Dit is de meestgebruikte strategie voor classificatie met meerdere klassen en is een eerlijke standaardkeuze. Het onderdeel voert vervolgens voorspellingen uit door deze binaire classificaties uit te voeren en de voorspelling te kiezen met de hoogste betrouwbaarheidsscore.

In wezen maakt het onderdeel een ensemble van afzonderlijke modellen en voegt vervolgens de resultaten samen om één model te maken dat alle klassen voorspelt. Elke binaire classificatie kan worden gebruikt als basis voor een een-versus-alle-model.

Stel bijvoorbeeld dat u een Model voor ondersteuningsvectormachine met twee klassen configureert en dat opgeeft als invoer voor het onderdeel One-vs-All Multiclass. Het onderdeel maakt twee klassen ondersteuningsvectormachinemodellen voor alle leden van de uitvoerklasse. Vervolgens wordt de een-versus-alle-methode toegepast om de resultaten voor alle klassen te combineren.

Het onderdeel maakt gebruik van OneVsRestClassifier van sklearn en hier vindt u meer informatie.

De classificatie One-vs-All Multiclass configureren

Met dit onderdeel maakt u een ensemble van binaire classificatiemodellen om meerdere klassen te analyseren. Als u dit onderdeel wilt gebruiken, moet u eerst een binair classificatiemodel configureren en trainen.

U verbindt het binaire model met het onderdeel One-vs-All Multiclass. Vervolgens traint u het ensemble van modellen met behulp van Train Model met een gelabelde trainingsgegevensset.

Wanneer u de modellen combineert, maakt One-vs-All Multiclass meerdere binaire classificatiemodellen, optimaliseert u het algoritme voor elke klasse en voegt u vervolgens de modellen samen. Het onderdeel voert deze taken uit, ook al heeft de trainingsgegevensset mogelijk meerdere klassewaarden.

1. Voeg het onderdeel One-vs-All Multiclass toe aan uw pijplijn in de ontwerpfunctie. U vindt dit onderdeel onder Machine Learning - Initialiseren, in de categorie Classificatie .

   De classificatie One-vs-All Multiclass heeft geen eigen parameters. Eventuele aanpassingen moeten worden uitgevoerd in het binaire classificatiemodel dat als invoer wordt geleverd.

2. Voeg een binair classificatiemodel toe aan de pijplijn en configureer dat model. U kunt bijvoorbeeld ondersteuningsvectormachine met twee klassen of een versterkte beslissingsstructuur met twee klassen gebruiken.

3. Voeg het onderdeel Train Model toe aan uw pijplijn. Verbind de niet-getrainde classificatie die de uitvoer is van One-vs-All Multiclass.

4. Verbind op de andere invoer van Train Model een gelabelde trainingsgegevensset met meerdere klassewaarden.

5. Verzend de pijplijn.

Resultaten

Nadat de training is voltooid, kunt u het model gebruiken om voorspellingen met meerdere klassen te doen.

U kunt de niet-getrainde classificatie ook doorgeven aan kruisvalidatiemodel voor kruisvalidatie op basis van een gelabelde validatiegegevensset.

Volgende stappen

Bekijk de set onderdelen die beschikbaar zijn voor Azure Machine Learning.