Précédemment, vous avez rencontré des modèles de classification binaire pouvant choisir entre deux choix possibles, par exemple:
- Un e-mail donné est un spam.
- Une tumeur donnée est bénigne ou bénigne.
Dans ce module, nous allons étudier la classification à classes multiples, qui peut choisir parmi plusieurs possibilités. Exemple :
- Ce chien est-il un beagle, un basset ou un lévrier ?
- Cette fleur est-elle un iris de Sibérie, un iris néerlandais, un iris verseur de drapeau bleu ou un iris nain ?
- Cet avion est-il un Boeing 747, un Airbus 320, un Boeing 777 ou un Embraer 190 ?
- Cette image représente-t-elle une pomme, un ours, des friandises, un chien ou un œuf ?
Certains problèmes à plusieurs classes concrets impliquent de choisir parmi des millions de classes distinctes. Prenons l'exemple d'un modèle de classification à classes multiples qui peut identifier l'image de presque n'importe quel élément.
Réseaux de neurones à classes multiples
Plus de deux cours ?
- La régression logistique offre des probabilités utiles pour les problèmes de classe binaire.
- spam / non-spam
- clic / pas de clic
- Qu'en est-il des problèmes à classes multiples ?
- pomme, banane, voiture, cardiologue, ..., panneau de marche, zèbre, zoo
- rouge, orange, jaune, vert, bleu, indigo, violet
- animal, légume, minéral
Un contre tous à plusieurs
- Créer une sortie unique pour chaque classe possible
- l'entraîner sur un signal entre "ma classe" et "tous les autres cours" ;
- Peut être utilisé dans un réseau profond ou avec des modèles distincts
SoftMax multiclasse
- Ajouter une contrainte supplémentaire: exigez que la somme de tous les nœuds un contre tous soit égale à 1,0
- La contrainte supplémentaire aide l'entraînement à converger rapidement
- De plus, les sorties peuvent être interprétées comme des probabilités.
Quand l'utiliser ?
- Classification à plusieurs classes et étiquette unique:
- Un exemple peut appartenir à une seule classe.
- La contrainte que les classes s'excluent mutuellement est une structure utile.
- Il est utile de l'encoder dans la perte.
- Utilisez une perte softmax pour toutes les classes possibles.
- Classification à plusieurs classes et à plusieurs étiquettes:
- Un exemple peut appartenir à plusieurs classes.
- Aucune contrainte supplémentaire à exploiter concernant l'appartenance aux cours.
- Une perte de régression logistique pour chaque classe possible.
Options SoftMax
- SoftMax complet
- Force brute ; calcule pour toutes les classes.
Options SoftMax
- SoftMax complet
- Force brute ; calcule pour toutes les classes.
- Échantillonnage de candidats
- Calcule pour toutes les étiquettes positives, mais seulement pour un échantillon aléatoire de négatifs.