طبقه بندی: طبقه بندی چند طبقه
با مجموعه‌ها، منظم بمانید
ذخیره و طبقه‌بندی محتوا براساس اولویت‌های شما.
طبقه بندی چند کلاسه را می توان به عنوان گسترش طبقه بندی باینری به بیش از دو کلاس در نظر گرفت. اگر هر مثال را فقط می توان به یک کلاس نسبت داد، آنگاه مسئله طبقه بندی را می توان به عنوان یک مسئله طبقه بندی باینری در نظر گرفت، که در آن یک کلاس شامل یکی از کلاس های متعدد و کلاس دیگر شامل تمام کلاس های دیگر است. سپس این فرآیند می تواند برای هر یک از کلاس های اصلی تکرار شود.
به عنوان مثال، در یک مسئله طبقه‌بندی چند کلاسه سه کلاسه، که در آن مثال‌ها را با برچسب‌های A ، B و C طبقه‌بندی می‌کنید، می‌توانید مسئله را به دو مسئله طبقه‌بندی باینری جداگانه تبدیل کنید. ابتدا، ممکن است یک طبقه‌بندی باینری ایجاد کنید که نمونه‌ها را با استفاده از برچسب A+B و برچسب C دسته‌بندی می‌کند. سپس، می‌توانید یک طبقه‌بندی‌کننده باینری دوم ایجاد کنید که نمونه‌هایی را که دارای برچسب A+B با استفاده از برچسب A و برچسب B هستند، مجدداً طبقه‌بندی می‌کند.
یک مثال از یک مسئله چند کلاسه، یک طبقه‌بندی دست‌نویس است که تصویری از یک رقم دست‌نویس می‌گیرد و تصمیم می‌گیرد که کدام رقم، ۰-۹، نشان داده شود.
اگر عضویت در کلاس انحصاری نباشد، یعنی می‌توان مثالی را به چندین کلاس اختصاص داد، این به عنوان یک مشکل طبقه‌بندی چند برچسبی شناخته می‌شود.
جز در مواردی که غیر از این ذکر شده باشد،محتوای این صفحه تحت مجوز Creative Commons Attribution 4.0 License است. نمونه کدها نیز دارای مجوز Apache 2.0 License است. برای اطلاع از جزئیات، به خطمشیهای سایت Google Developers مراجعه کنید. جاوا علامت تجاری ثبتشده Oracle و/یا شرکتهای وابسته به آن است.
تاریخ آخرین بهروزرسانی 2024-10-31 بهوقت ساعت هماهنگ جهانی.
[null,null,["تاریخ آخرین بهروزرسانی 2024-10-31 بهوقت ساعت هماهنگ جهانی."],[[["\u003cp\u003eMulti-class classification extends binary classification to handle more than two classes, often by breaking the problem down into multiple binary classifications.\u003c/p\u003e\n"],["\u003cp\u003eIn multi-class classification, each example is assigned to only one class, like classifying handwritten digits (0-9).\u003c/p\u003e\n"],["\u003cp\u003eIf an example can belong to multiple classes, it's called multi-label classification, which is a distinct but related concept.\u003c/p\u003e\n"],["\u003cp\u003eMulti-class classification can be achieved by creating a series of binary classifiers, each distinguishing between a subset of classes.\u003c/p\u003e\n"]]],[],null,["# Classification: Multi-class classification\n\nMulti-class classification can be treated as an extension of\n[**binary classification**](/machine-learning/glossary#binary_classification)\nto more than two classes. If each example can only be\nassigned to one class, then the classification problem can be handled as a\nbinary classification problem, where one class contains one of the multiple\nclasses, and the other class contains all the other classes put together.\nThe process can then be repeated for each of the original classes.\n\nFor example, in a three-class multi-class classification problem,\nwhere you're classifying examples with the labels **A** , **B** , and\n**C** , you could turn the problem into two separate binary classification\nproblems. First, you might create a binary classifier that categorizes examples\nusing the label **A+B** and the label **C** . Then, you could create a second\nbinary classifier that reclassifies the examples that are labeled **A+B**\nusing the label **A** and the label **B**.\n\nAn example of a multi-class problem is a handwriting classifier that takes\nan image of a handwritten digit and decides which digit, 0-9, is represented.\n\nIf class membership isn't exclusive, which is to say, an example can be\nassigned to multiple classes, this is known as a *multi-label* classification\nproblem.\n| Multi-class classification is explored more deeply in the [Multi-class neural networks](/machine-learning/crash-course/neural-networks/multi-class) section of the [Neural Networks](/machine-learning/crash-course/neural-networks) module.\n| **Key terms:**\n|\n- [Binary classification](/machine-learning/glossary#binary_classification) \n[Help Center](https://support.google.com/machinelearningeducation)"]]
