«Один ко многим» и «один к одному» в машинном обучении
Обычно мы обучаем модель машинного обучения создавать одно значение или одну метку на выходе. Но когда количество выходных классов больше одного, это становится задачей мультиклассовой классификации. «Один ко многим» и «один к одному» – это два основных подхода к машинному обучению для решения задачи мультиклассовой классификации. В этой статье я расскажу вам о принципах «Один ко многим» и «один к одному» в машинном обучении.
«Один ко многим» и «один к одному»
«Один ко многим» и «один к одному» – это два основных подхода к машинному обучению для решения задачи мультиклассовой классификации. В обоих этих подходах выбор прозрачен, и вывод, возвращаемый пользователю, всегда будет конечными значениями или классами. Но очень важно понимать эти два подхода для оптимизации модели машинного обучения и всегда выбирать лучший из них при решении задачи мультиклассовой классификации. Итак, давайте рассмотрим оба этих подхода к многоклассовой классификации один за другим, чтобы понять, как они работают.
Один ко многим:
«Один ко многим», является самой распространенной стратегией, и она широко применяется в большинстве алгоритмов машинного обучения, предоставляемых библиотекой scikit-learn в Python. В этом подходе n моделей классификации обучаются параллельно с n выходными классами, учитывая, что всегда существует разделение между фактическим классом и остальными классами.
Этот подход относительно легкий, поэтому он обычно используется по умолчанию для большинства алгоритмов классификации, предоставляемых библиотекой scikit-learn. Так что для реализации этого подхода не нужно использовать какой-либо специальный метод.
Один к одному:
«Один к одному» – это альтернативный подход к «один ко многим». Это означает обучение модели машинного обучения для каждой пары классов. Итак, временная сложность этого подхода не является линейной, и правильный класс определяется классом большинства. В общем, метод «Один к одному» обойдется дороже, чем «Один ко многим», и его следует применять только в том случае, если сравнение полного набора данных не является предпочтительным.
Резюме
«Один ко многим» и «Один к одному» – это подходы в машинном обучении для решения задачи многоклассовой классификации. В общем, метод «Один к одному» обойдется дороже, чем «Один ко многим», и его следует применять только в том случае, если сравнение полного набора данных не является предпочтительным. Кроме того, нужно учесть, что «один ко многим», вероятно, является наиболее распространенной стратегией, и она широко применяется в большинстве алгоритмов машинного обучения, предоставляемых библиотекой scikit-learn в Python. Надеюсь, вам понравилась эта статья, в которой рассказывается о подходах «Один ко многим» и «Один к одному» в машинном обучении.