Эпоха (в обучении) — это один полный проход алгоритма обучения через весь тренировочный набор данных. Обучение нейросети обычно требует множества эпох, чтобы веса модели достаточно скорректировалис...
Multilabel Classification
Бонус за регистрацию!
Зарегистрируйся и получи бонус
Multilabel Classification (Мультилейбл классификация) — это задача классификации, где каждому объекту может быть присвоено ноль, одна или несколько меток (классов) одновременно. Примером может служить автоматическое тегирование статей в блоге, где статья может относиться сразу к темам «ИИ», «Технологии» и «Бизнес». В нейросетях для этого обычно используется Sigmoid на каждом выходном нейроне независимо.
Что такое «Multilabel Classification» простыми словами
В отличие от мультиклассовой, здесь объект может быть всем сразу. Например, фото: на нем есть и «Человек», и «Машина», и «Улица». Метки не исключают друг друга. Нейросеть решает вопрос по каждой метке отдельно: «Человек есть? Да/Нет. Машина есть? Да/Нет». Это как заполнение анкеты с галочками «Выберите всё, что применимо», вместо выбора одного варианта из списка.
Вопросы и ответы
Что такое классификация с множественными метками?
Задача, где одному объекту может быть присвоено несколько меток классов одновременно.
Какую функцию активации использовать для Multilabel classification?
Sigmoid на выходном слое. Каждый нейрон выдает независимую вероятность (0..1) наличия своего класса, так как классы не исключают друг друга.
Как оценивать Multilabel классификацию?
Оценивать Multilabel классификацию (один объект может иметь несколько меток) нужно особыми метриками. Обычная Accuracy (точное совпадение всего набора меток) слишком строгая. Используют Hamming Loss (доля неверно предсказанных меток), F1-score с усреднением (micro/macro averaging) или Precision/Recall для каждой метки отдельно.
