Cách phân loại: Phân loại nhiều lớp
Sử dụng bộ sưu tập để sắp xếp ngăn nắp các trang
Lưu và phân loại nội dung dựa trên lựa chọn ưu tiên của bạn.
Phân loại đa lớp có thể được coi là một phần mở rộng của phân loại nhị phân sang nhiều lớp. Nếu mỗi ví dụ chỉ có thể được gán cho một lớp, thì vấn đề phân loại có thể được xử lý dưới dạng vấn đề phân loại nhị phân, trong đó một lớp chứa một trong nhiều lớp và lớp còn lại chứa tất cả các lớp khác được gộp lại với nhau.
Sau đó, bạn có thể lặp lại quy trình này cho từng lớp ban đầu.
Ví dụ: trong một bài toán phân loại nhiều lớp gồm 3 lớp, trong đó bạn đang phân loại các ví dụ bằng nhãn A, B và C, bạn có thể biến bài toán này thành hai bài toán phân loại nhị phân riêng biệt. Trước tiên, bạn có thể tạo một thuật toán phân loại nhị phân phân loại các ví dụ bằng cách sử dụng nhãn A+B và nhãn C. Sau đó, bạn có thể tạo một bộ phân loại nhị phân thứ hai để phân loại lại các ví dụ được gắn nhãn A+B bằng cách sử dụng nhãn A và nhãn B.
Ví dụ về một vấn đề nhiều lớp là một thuật toán phân loại chữ viết tay lấy hình ảnh của một chữ số viết tay và quyết định chữ số nào, 0-9, được biểu thị.
Nếu thành viên lớp không phải là độc quyền, tức là một ví dụ có thể được gán cho nhiều lớp, thì đây được gọi là vấn đề phân loại nhiều nhãn.
Trừ phi có lưu ý khác, nội dung của trang này được cấp phép theo Giấy phép ghi nhận tác giả 4.0 của Creative Commons và các mẫu mã lập trình được cấp phép theo Giấy phép Apache 2.0. Để biết thông tin chi tiết, vui lòng tham khảo Chính sách trang web của Google Developers. Java là nhãn hiệu đã đăng ký của Oracle và/hoặc các đơn vị liên kết với Oracle.
Cập nhật lần gần đây nhất: 2024-11-06 UTC.
[null,null,["Cập nhật lần gần đây nhất: 2024-11-06 UTC."],[[["\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)"]]
