En-mot-alla – multiklass
Viktigt
Stödet för Machine Learning Studio (klassisk) upphör den 31 augusti 2024. Vi rekommenderar att du byter till Azure Machine Learning innan dess.
Från och med den 1 december 2021 kan du inte längre skapa nya Machine Learning Studio-resurser (klassisk). Du kan fortsätta att använda befintliga Machine Learning Studio-resurser (klassisk) till och med den 31 augusti 2024.
- Se information om hur du flyttar maskininlärningsprojekt från ML Studio (klassisk) till Azure Machine Learning.
- Läs mer om Azure Machine Learning.
Dokumentationen om ML Studio (klassisk) håller på att dras tillbaka och kanske inte uppdateras i framtiden.
Skapar en klassificeringsmodell med flera klasser från en ensemble med binära klassificeringsmodeller
Kategori: Machine Learning/initiera modell/klassificering
Anteckning
Gäller endast för: Machine Learning Studio (klassisk)
Liknande dra och släpp-moduler är tillgängliga i Azure Machine Learning designer.
Modulöversikt
Den här artikeln beskriver hur du använder modulen One-Vs-All Multiclass i Machine Learning Studio (klassisk) för att skapa en klassificeringsmodell som kan förutsäga flera klasser med hjälp av metoden "en kontra alla".
Den här modulen är användbar för att skapa modeller som förutsäger tre eller fler möjliga utfall när resultatet är beroende av kontinuerliga eller kategoriska förutsägelsevariabler. Med den här metoden kan du också använda binära klassificeringsmetoder för problem som kräver flera utdataklasser.
Mer om modeller med en eller alla
Även om vissa klassificeringsalgoritmer tillåter användning av fler än två klasser, begränsar andra möjliga resultat till ett av två värden (en binär eller tvåklassmodell). Även binära klassificeringsalgoritmer kan dock anpassas för klassificeringsuppgifter med flera klasser med hjälp av en mängd olika strategier.
I den här modulen implementeras metoden one vs. all, där en binär modell skapas för var och en av de olika utdataklasserna. Var och en av dessa binära modeller för de enskilda klasserna utvärderas mot dess komplement (alla andra klasser i modellen) som om det vore ett problem med binär klassificering. Förutsägelse utförs sedan genom att köra dessa binära klassificerare och välja förutsägelsen med högsta konfidenspoäng.
I grunden skapas en ensemble med enskilda modeller och resultatet sammanfogas sedan för att skapa en enda modell som förutsäger alla klasser. Därför kan alla binära klassificerare användas som grund för en modell med en eller alla.
Anta till exempel att du konfigurerar en modell med två klassers stödvektormaskin och anger den som indata till multiklassmodulen One-Vs-All. Modulen skapar tvåklassmodeller för stödvektormaskin för alla medlemmar i utdataklassen och tillämpar sedan metoden one-vs-all för att kombinera resultaten för alla klasser.
Så här konfigurerar du klassificeraren One-vs-All
Den här modulen skapar en ensemble med binära klassificeringsmodeller för att analysera flera klasser. Om du vill använda den här modulen måste du därför konfigurera och träna en binär klassificeringsmodell först.
Sedan ansluter du den binära modellen till en One-Vs-All Multiclass-modul och tränar ensemblen med hjälp av Train Model (Träna modell) med en märkt träningsdatamängd.
När du kombinerar modellerna, även om datauppsättningen för träning kan ha flera klassvärden, skapar Multiklassen One-Vs-All flera flera binära klassificeringsmodeller, optimerar algoritmen för varje klass och sammanfogar sedan modellerna.
Lägg till multiklassen One-vs-All i experimentet i Studio (klassisk). Du hittar den här modulen under Machine Learning - Initiera, i kategorin Klassificering.
Klassificeraren One-Vs-All Multiclass har inga konfigurerbara parametrar. Alla anpassningar måste göras i den binära klassificeringsmodell som tillhandahålls som indata.
Lägg till en binär klassificeringsmodell i experimentet och konfigurera modellen. Du kan till exempel använda en tvåklassig stödvektormaskin eller tvåklassig förstärkt beslutsträd.
Om du behöver hjälp med att välja rätt algoritm kan du se följande resurser:
Lägg till modulen Train Model (Träna modell) i experimentet och anslut den ej tränade klassificeraren som är utdata från One-Vs-All Multiclass.
På de andra indata för Träningsmodell ansluter du en märkt träningsdatauppsättning som har flera klassvärden.
Kör experimentet eller välj Train Model (Träna lägel) och klicka på Run Selected (Kör valda).
Resultat
När träningen är klar kan du använda modellen för att göra förutsägelser med flera klasser.
Du kan också skicka den ej tränade klassificeraren till korsvalideringsmodellen för korsvalidering mot en etiketterad valideringsdatauppsättning.
Exempel
Exempel på hur den här inlärningsalgoritmen används finns i Azure AI Gallery:
Nyhetskategorisering: Det här exemplet använder en eller alla multiklass med en beslutsskogsmodell med två klasser.
Jämför multiklassklassificerarexempel: Binära klassificerare används för varje siffra och resultaten kombineras.
Förväntade indata
| Namn | Typ | Description |
|---|---|---|
| Ej tränad binär klassificeringsmodell | ILearner-gränssnitt | En omtränad binär klassificeringsmodell |
Utdata
| Namn | Typ | Description |
|---|---|---|
| Ej tränad modell | ILearner-gränssnitt | En otränad klassificering med flera klasser |
Undantag
| Undantag | Description |
|---|---|
| Fel 0013 | Ett undantag inträffar om eleven som skickades till modulen är fel typ. |
En lista över fel som är specifika för Studio-moduler (klassisk) finns i Machine Learning felkoder.
En lista över API-undantag finns i Machine Learning REST API felkoder.