Classificazione: classificazione multiclasse
Mantieni tutto organizzato con le raccolte
Salva e classifica i contenuti in base alle tue preferenze.
La classificazione multiclasse può essere considerata un'estensione della
classificazione binaria
a più di due classi. Se ogni esempio può essere assegnato solo a una classe, il problema di classificazione può essere gestito come un problema di classificazione binaria, in cui una classe contiene una delle più classi e l'altra classe contiene tutte le altre classi messe insieme.
La procedura può essere ripetuta per ciascuno dei corsi originali.
Ad esempio, in un problema di classificazione multiclasse a tre classi, in cui classifichi esempi con le etichette A, B e C, potresti trasformare il problema in due problemi di classificazione binaria separati. Innanzitutto, potresti creare un classificatore binario che categorizzi gli esempi utilizzando l'etichetta A+B e l'etichetta C. Poi, puoi creare un secondo classificatore binario che riclassifichi gli esempi etichettati come A+B utilizzando le etichette A e B.
Un esempio di problema multiclasse è un classificatore della scrittura a mano libera che prende
l'immagine di una cifra scritta a mano e decide quale cifra, 0-9, è rappresentata.
Se l'appartenenza a una classe non è esclusiva, ovvero un esempio può essere assegnato a più classi, si tratta di un problema di classificazione multietichetta.
Salvo quando diversamente specificato, i contenuti di questa pagina sono concessi in base alla licenza Creative Commons Attribution 4.0, mentre gli esempi di codice sono concessi in base alla licenza Apache 2.0. Per ulteriori dettagli, consulta le norme del sito di Google Developers. Java è un marchio registrato di Oracle e/o delle sue consociate.
Ultimo aggiornamento 2024-11-06 UTC.
[null,null,["Ultimo aggiornamento 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)"]]
