Skapa klassificeringsmodeller för flera klasser
Det går också att skapa klassificeringsmodeller med flera klasser, där det finns fler än två möjliga klasser. Hälsokliniken kan till exempel utöka diabetesmodellen för att klassificera patienter som:
- Icke-diabetiker
- Typ-1 diabetiker
- Typ-2 diabetiker
De enskilda klasssannolikhetsvärdena skulle fortfarande uppgå till totalt 1 eftersom patienten definitivt bara finns i en av de tre klasserna, och den mest sannolika klassen skulle förutsägas av modellen.
Använda klassificeringsmodeller för flera klasser
Multiklassklassificering kan ses som en kombination av flera binära klassificerare. Det finns två sätt att hantera problemet på:
- One vs Rest (OVR), där en klassificerare skapas för varje möjligt klassvärde, med ett positivt resultat för fall där förutsägelsen är den här klassen, och negativa förutsägelser för fall där förutsägelsen är någon annan klass. Ett klassificeringsproblem med fyra möjliga formklasser (kvadrat, cirkel, triangel, sexhörning) skulle till exempel kräva fyra klassificerare som förutsäger:
- kvadratiska eller inte
- cirkel eller inte
- triangel eller inte
- sexhörning eller inte
- One vs One (OVO) där en klassificerare för varje möjligt par klasser skapas. Klassificeringsproblemet med fyra formklasser skulle kräva följande binära klassificerare:
- kvadrat eller cirkel
- kvadratisk eller triangel
- kvadratisk eller sexhörning
- cirkel eller triangel
- cirkel eller sexhörning
- triangel eller sexhörning
I båda metoderna måste den övergripande modellen ta hänsyn till alla dessa förutsägelser för att avgöra vilken enskild kategori objektet tillhör.
I de flesta maskininlärningsramverk, inklusive Scikit-Learn, är implementeringen av en klassificeringsmodell med flera klasser inte betydligt mer komplex än binär klassificering, och i de flesta fall stöder de skattningar som används för binär klassificering implicit multiklassklassificering genom att abstrahera en OVR-algoritm, en OVO-algoritm eller genom att tillåta ett val av någon av dem.