One-vs-All Multiclass

Hiermee maakt u een classificatiemodel met meerdere klassen van een geheel binaire classificatiemodellen

Categorie: Machine Learning/Model/classificatie initialiseren

Moduleoverzicht

In dit artikel wordt beschreven hoe u de module One-Vs-All met meerdere klassen in Machine Learning Studio (klassiek) gebruikt om een classificatiemodel te maken dat meerdere klassen kan voorspellen met behulp van de benadering 'één versus alle'.

Deze module is handig voor het maken van modellen die drie of meer mogelijke resultaten voorspellen, wanneer het resultaat afhankelijk is van doorlopende of categorische predictorvariabelen. Met deze methode kunt u ook binaire classificatiemethoden gebruiken voor problemen waarvoor meerdere uitvoerklassen zijn vereist.

Meer informatie over one-vs.all-modellen

Hoewel sommige classificatiealgoritmen het gebruik van meer dan twee klassen per ontwerp toestaan, beperken andere de mogelijke resultaten tot een van twee waarden (een binair model of model met twee klassen). Zelfs binaire classificatiealgoritmen kunnen echter worden aangepast voor classificatietaken met meerdere klassen met behulp van verschillende strategieën.

In deze module wordt de methode één versus alle geïmplementeerd, waarbij een binair model wordt gemaakt voor elk van de meerdere uitvoerklassen. Elk van deze binaire modellen voor de afzonderlijke klassen wordt geëvalueerd aan de hand van het complement (alle andere klassen in het model) alsof het een binair classificatieprobleem is. De voorspelling wordt vervolgens uitgevoerd door deze binaire classificaties uit te uitvoeren en de voorspelling met de hoogste betrouwbaarheidsscore te kiezen.

In wezen wordt een geheel van afzonderlijke modellen gemaakt en worden de resultaten vervolgens samengevoegd om één model te maken dat alle klassen voorspelt. Elke binaire classificatie kan dus worden gebruikt als basis voor een one-vs-all-model.

Stel bijvoorbeeld dat u een model met twee klassen support vector machine configureert en dat levert als invoer voor de module One-Vs-All met meerdere klassen. Met de module worden modellen met ondersteuningsvectormachines met twee klassen gemaakt voor alle leden van de uitvoerklasse. Vervolgens wordt de methode one-vs-all toegepast om de resultaten voor alle klassen te combineren.

De classificatie One-vs-All configureren

In deze module maakt u een geheel van binaire classificatiemodellen om meerdere klassen te analyseren. Daarom moet u voor het gebruik van deze module eerst een binair classificatiemodel configureren en trainen.

Vervolgens verbindt u het binaire model met de module One-Vs-All multiclass en traint u het geheel van modellen met behulp van Train Model met een gelabelde trainingsset.

Wanneer u de modellen combineert, zelfs als de trainingsset meerdere klassewaarden kan hebben, maakt de One-Vs-All-multiklasse meerdere binaire classificatiemodellen, optimaliseert het algoritme voor elke klasse en voegt vervolgens de modellen samen.

1. Voeg de multiklasse One-Vs-All toe aan uw experiment in Studio (klassiek). U vindt deze module onder Machine Learning - Initialiseren, in de categorie Classificatie.

   De multiclassificatie One-Vs-All heeft geen eigen configureerbare parameters. Eventuele aanpassingen moeten worden uitgevoerd in het binaire classificatiemodel dat wordt geleverd als invoer.

2. Voeg een binair classificatiemodel toe aan het experiment en configureer dat model. U kunt bijvoorbeeld een Two-Class Support Vector Machine of Two-Class Boosted Decision Tree gebruiken.

   Als u hulp nodig hebt bij het kiezen van het juiste algoritme, bekijkt u deze resources:

   • Cheatsheet voor machine learning-algoritmen voor Azure ML
   • Algoritmen kiezen voor Machine Learning Studio (klassiek)

3. Voeg de module Train Model toe aan uw experiment en koppel de niet-getrainde classificatie die de uitvoer is van One-Vs-All Multiclass.

4. Koppel aan de andere invoer van Train Model een gelabelde trainingsgegevensset met meerdere klassewaarden.

5. Voer het experiment uit of selecteer Train Model en klik op Run Selected.

Resultaten

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

U kunt de niet-getrainde classificatie ook doorgeven aan Cross-Validate Model voor kruisvalidatie op een gelabelde validatiegegevensset.

Voorbeelden

Zie de volgende voorbeelden van hoe dit leeralgoritme wordt Azure AI Gallery:

• Nieuwscategorisatie: In dit voorbeeld wordt one-vs-all-multiklasse met een beslissings-forestmodel met twee klassen gebruikt.

• Voorbeeld van classificatie met meerdere klassen vergelijken: Binaire classificaties worden gebruikt voor elk cijfer en de resultaten worden gecombineerd.

Verwachte invoer

Uitvoerwaarden

Uitzonderingen

Zie Foutcodes voor een lijst met fouten die specifiek zijn Machine Learning voor Studio-modules (klassiek).

Zie Foutcodes voor een lijst Machine Learning REST API API-uitzonderingen.

Zie ook

Classificatie