Clasificare multi-clasă este o tehnică din domeniul învățării automate prin care un model este antrenat să atribuie fiecărei intrări una dintre mai multe clase posibile. Spre deosebire de clasificarea binară, unde există doar două rezultate (de exemplu, „da” sau „nu”), clasificarea multi-clasă implică trei sau mai multe categorii distincte.
Această metodă este utilizată frecvent în aplicații precum recunoașterea imaginilor, analiza textelor sau diagnosticarea medicală. De exemplu, un model poate clasifica emailurile în categorii precum „personal”, „promoții” și „spam” sau poate identifica tipul unui obiect dintr-o imagine (pisică, câine, mașină etc.).
Modelele de clasificare multi-clasă pot fi construite folosind algoritmi precum regresia logistică multinomială, arbori de decizie, rețele neuronale sau metode ensemble (de exemplu, Random Forest). În cazul rețelelor neuronale, stratul final utilizează adesea funcția de activare softmax, care transformă scorurile brute în probabilități pentru fiecare clasă.
Există mai multe strategii pentru abordarea acestei probleme. Una dintre ele este „one-vs-all” (unu contra tuturor), unde modelul antrenează câte un clasificator pentru fiecare clasă în parte. O altă metodă este „one-vs-one”, unde se construiesc clasificatori pentru fiecare pereche de clase. Alegerea metodei depinde de complexitatea problemei și de volumul datelor disponibile.
Evaluarea performanței în clasificarea multi-clasă se face folosind metrici precum acuratețea (accuracy), matricea de confuzie, precizia, recall-ul și scorul F1 pentru fiecare clasă.
În concluzie, clasificarea multi-clasă este esențială pentru aplicațiile moderne de inteligență artificială, permițând sistemelor să recunoască și să diferențieze între mai multe tipuri de date sau obiecte, contribuind astfel la automatizarea și îmbunătățirea proceselor decizionale.