Классификация: Многоклассовая классификация
Оптимизируйте свои подборки
Сохраняйте и классифицируйте контент в соответствии со своими настройками.
Многоклассовую классификацию можно рассматривать как расширение бинарной классификации на более чем два класса. Если каждый пример можно отнести только к одному классу, то проблему классификации можно рассматривать как задачу бинарной классификации, где один класс содержит один из нескольких классов, а другой класс содержит все остальные классы вместе взятые. Затем процесс можно повторить для каждого из исходных классов.
Например, в задаче многоклассовой классификации трех классов, где вы классифицируете примеры с помощью меток A , B и C , вы можете превратить проблему в две отдельные задачи двоичной классификации. Во-первых, вы можете создать двоичный классификатор, который классифицирует примеры, используя метку A+B и метку C. Затем вы можете создать второй двоичный классификатор, который переклассифицирует примеры, помеченные A+B, используя метку A и метку B.
Примером задачи с несколькими классами является классификатор рукописного ввода, который берет изображение рукописной цифры и решает, какая цифра, 0–9, будет представлена.
Если членство в классе не является исключительным, то есть пример может быть присвоен нескольким классам, это называется проблемой классификации по нескольким меткам .
Если не указано иное, контент на этой странице предоставляется по лицензии Creative Commons "С указанием авторства 4.0", а примеры кода – по лицензии Apache 2.0. Подробнее об этом написано в правилах сайта. Java – это зарегистрированный товарный знак корпорации Oracle и ее аффилированных лиц.
Последнее обновление: 2024-10-31 UTC.
[null,null,["Последнее обновление: 2024-10-31 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)"]]
