Klasyfikacja: klasyfikacja wieloklasowa
Zadbaj o dobrą organizację dzięki kolekcji
Zapisuj i kategoryzuj treści zgodnie ze swoimi preferencjami.
Klasyfikację wieloklasową można traktować jako rozszerzenie klasyfikacji binarnej o więcej niż 2 klasy. Jeśli każdy przykład można przypisać tylko do jednej klasy, problem z klasyfikacją można traktować jak problem z klasyfikacją binarną, w którym jedna klasa zawiera jedną z wielu klas, a reszta wszystkie pozostałe klasy razem.
Ten proces można następnie powtórzyć dla wszystkich oryginalnych zajęć.
Na przykład w przypadku problemu klasyfikacji wieloklasowej z 3 klasami, w którym przykłady są klasyfikowane według etykiet A, B i C, można przekształcić ten problem w 2 oddzielne problemy klasyfikacji binarnej. Najpierw możesz utworzyć klasyfikator binarny, który kategoryzuje przykłady za pomocą etykiety A+B i etykiety C. Następnie możesz utworzyć drugi klasyfikator binarny, który ponownie przypisze etykiety A+B za pomocą etykiety A i etykiety B.
Przykładem zadania wieloklasowego jest klasyfikator pisma odręcznego, który wybiera obraz cyfry pisanej odręcznie i decyduje, którą cyfrę (0–9) należy przedstawić.
Jeśli przynależność do klasy nie jest wyłączna, co oznacza, że przykład może zostać przypisany do wielu klas, mamy do czynienia z problemem klasyfikacji z wieloma etykietami.
O ile nie stwierdzono inaczej, treść tej strony jest objęta licencją Creative Commons – uznanie autorstwa 4.0, a fragmenty kodu są dostępne na licencji Apache 2.0. Szczegółowe informacje na ten temat zawierają zasady dotyczące witryny Google Developers. Java jest zastrzeżonym znakiem towarowym firmy Oracle i jej podmiotów stowarzyszonych.
Ostatnia aktualizacja: 2024-11-06 UTC.
[null,null,["Ostatnia aktualizacja: 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)"]]
