Klassifizierung: Klassifizierung mit mehreren Klassen
Mit Sammlungen den Überblick behalten
Sie können Inhalte basierend auf Ihren Einstellungen speichern und kategorisieren.
Die Klassifizierung mit mehreren Klassen kann als Erweiterung der binären Klassifizierung auf mehr als zwei Klassen betrachtet werden. Wenn jedes Beispiel nur einer Klasse zugewiesen werden kann, kann das Klassifizierungsproblem als binäres Klassifizierungsproblem behandelt werden, bei dem eine Klasse eine der mehreren Klassen und die andere Klasse alle anderen Klassen zusammen enthält.
Der Vorgang kann dann für jeden der ursprünglichen Kurse wiederholt werden.
Bei einem Klassifizierungsproblem mit drei Klassen, bei dem Sie Beispiele mit den Labels A, B und C klassifizieren, können Sie das Problem in zwei separate binäre Klassifizierungsprobleme unterteilen. Zuerst können Sie einen binären Klassifikator erstellen, der Beispiele mit dem Label A+B und dem Label C kategorisiert. Anschließend können Sie einen zweiten binären Klassifikator erstellen, der die mit A+B gekennzeichneten Beispiele mit den Labels A und B neu klassifiziert.
Ein Beispiel für ein Problem mit mehreren Klassen ist ein Handschriftklassifikator, der ein Bild einer handschriftlichen Ziffer annimmt und entscheidet, welche Ziffer 0–9 dargestellt wird.
Wenn die Zugehörigkeit zu einer Klasse nicht exklusiv ist, d. h., ein Beispiel mehreren Klassen zugewiesen werden kann, spricht man von einem Multilabel-Klassifizierungsproblem.
Sofern nicht anders angegeben, sind die Inhalte dieser Seite unter der Creative Commons Attribution 4.0 License und Codebeispiele unter der Apache 2.0 License lizenziert. Weitere Informationen finden Sie in den Websiterichtlinien von Google Developers. Java ist eine eingetragene Marke von Oracle und/oder seinen Partnern.
Zuletzt aktualisiert: 2024-11-06 (UTC).
[null,null,["Zuletzt aktualisiert: 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)"]]
