Klasifikasi: Klasifikasi multi-kelas
Tetap teratur dengan koleksi
Simpan dan kategorikan konten berdasarkan preferensi Anda.
Klasifikasi multi-class dapat diperlakukan sebagai ekstensi dari
klasifikasi biner
ke lebih dari dua class. Jika setiap contoh hanya dapat
ditetapkan ke satu class, maka masalah klasifikasi dapat ditangani sebagai
masalah klasifikasi biner, di mana satu class berisi salah satu dari beberapa
, dan class lainnya berisi semua class lain yang digabungkan.
Proses ini kemudian dapat diulang untuk setiap class asli.
Misalnya, dalam masalah klasifikasi kelas
multi kelas tiga,
tempat Anda mengklasifikasikan contoh dengan label A, B, dan
C, Anda dapat mengubah soal menjadi dua klasifikasi biner terpisah
menyelesaikan semua
jenis permasalahan. Pertama, Anda dapat membuat pengklasifikasi
biner yang mengategorikan contoh
menggunakan label A+B dan label C. Kemudian, Anda dapat membuat pengklasifikasi biner kedua yang mengklasifikasikan ulang contoh yang diberi label A+B menggunakan label A dan label B.
Contoh dari masalah kelas ganda
adalah pengklasifikasi tulisan tangan yang mengambil
sebuah gambar dari sebuah digit tulisan tangan dan memutuskan digit mana, 0-9, yang diwakili.
Jika keanggotaan class tidak eksklusif, yang berarti, contoh dapat
ditetapkan ke beberapa class, hal ini dikenal sebagai masalah klasifikasi
multi-label.
Kecuali dinyatakan lain, konten di halaman ini dilisensikan berdasarkan Lisensi Creative Commons Attribution 4.0, sedangkan contoh kode dilisensikan berdasarkan Lisensi Apache 2.0. Untuk mengetahui informasi selengkapnya, lihat Kebijakan Situs Google Developers. Java adalah merek dagang terdaftar dari Oracle dan/atau afiliasinya.
Terakhir diperbarui pada 2024-11-06 UTC.
[null,null,["Terakhir diperbarui pada 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)"]]
