Moniluokkaisuus

Moniluokkaisuus, suomeksi multiclass classification, viittaa tilastotieteen ja koneoppimisen ongelmiin, joissa ennustettavan muuttujan arvo voi olla useita erillisiä luokkia. Tällainen tehtävä eroaa kaksiluokkaisesta luokittelusta siinä, että luokkien määrä on kolme tai enemmän, ja useimmiten havainnolle annetaan vain yksi oikea luokka (single-label).

Lähestymistapoja ovat OvR (one-vs-rest) ja OvO (one-vs-one) -strategiat sekä monipuoliset mallit, kuten softmax-logistinen regressio, moniluokkainen SVM, päätöspuut, satunnaismetsät, gradient boosting ja neuroverkot.

Arviointi perustuu yleisesti tarkkuuteen sekä luokkakohtaisiin ja makro- tai mikro-F1-arvoihin. Makro-F1 antaa tasapuolisen painon kaikille luokille, mikro-F1 ottaa huomioon luokkien esiintymistiheyden.

Sovelluksia ovat kuvien, tekstien sekä puhe- tai äänidatan luokittelu, biolääketieteen diagnostiikka sekä muut suuria luokkia koskevat luokittelutehtävät.

Haasteita ovat luokkien epätasapaino, puuttuvat tiedot ja laskennallinen kustannus suuria suurelle määrälle luokkia. Suomessa käytetään yleisesti termejä moniluokkaisuus tai moniluokkainen luokittelu kuvaamaan tätä ongelmaa.