sklearn.multiclass#
Algorithmen für das Multiclass-Lernen.
Eins gegen den Rest / Eins gegen Alle
Eins gegen Eins
Fehlerkorrigierende Ausgabecodes
Die in diesem Modul bereitgestellten Schätzer sind Meta-Schätzer: Sie erfordern die Angabe eines Basis-Schätzers in ihrem Konstruktor. Zum Beispiel ist es möglich, diese Schätzer zu verwenden, um einen binären Klassifikator oder einen Regressor in einen Multiclass-Klassifikator umzuwandeln. Es ist auch möglich, diese Schätzer mit Multiclass-Schätzern zu verwenden, in der Hoffnung, dass sich deren Genauigkeit oder Laufzeitleistung verbessert.
Alle Klassifikatoren in scikit-learn implementieren Multiclass-Klassifizierung; Sie müssen dieses Modul nur verwenden, wenn Sie mit benutzerdefinierten Multiclass-Strategien experimentieren möchten.
Der One-vs-the-rest Meta-Klassifikator implementiert auch eine predict_proba-Methode, solange eine solche Methode vom Basis-Klassifikator implementiert wird. Diese Methode gibt Wahrscheinlichkeiten der Klassenmitgliedschaft sowohl im Single-Label- als auch im Multi-Label-Fall zurück. Beachten Sie, dass im Multi-Label-Fall die Summe dieser Wahrscheinlichkeiten über alle möglichen Labels für eine gegebene Stichprobe *nicht* Eins ergibt, wie es im Single-Label-Fall der Fall ist.
Benutzerhandbuch. Weitere Details finden Sie im Abschnitt Multiclass-Klassifizierung.
One-vs-one Multiklassenstrategie. |
|
One-vs-the-rest (OvR) Multiklassenstrategie. |
|
(Fehlerkorrigierende) Output-Code-Multiklassenstrategie. |