Основные принципы метрики в мультиклассовой классификации в чем заключается преимущество (5 видео)

Мультиклассовая классификация — это задача, в которой необходимо разделить объекты на несколько классов. В отличие от бинарной классификации, где объект принадлежит только к одному из двух классов, мультиклассовая классификация предполагает наличие более двух классов, к которым объект может быть отнесен.

Одним из ключевых аспектов в процессе мультиклассовой классификации является выбор метрики для оценки качества модели. Метрика играет важную роль при сравнении различных алгоритмов классификации и помогает определить, насколько хорошо модель справляется с задачей.

Существует множество метрик, которые могут быть использованы для оценки качества модели в мультиклассовой классификации, например, точность (accuracy), макроусреднение (macro-averaging), микроусреднение (micro-averaging), F-мера (F1-score) и другие. Каждая метрика имеет свои преимущества и может быть более или менее подходящей в конкретной задаче классификации.

Содержание

Принципы метрики
Точность измерений
Объективность результатов
Консистентность данных
Мультиклассовая классификация
Определение и примеры
Проблемы и сложности
Значимость метрики в мультиклассовой классификации
Понимание качества классификации
Сравнение различных алгоритмов
Разработка метрик для специфических задач
Выбор метрики в мультиклассовой классификации
Варианты метрик и их особенности
Примеры использования метрик
Преимущества метрики в мультиклассовой классификации
Адаптация под различные типы данных
Учет специфики задачи
Улучшение качества классификации
🔥 Видео

Видео:Основы машинного обучения, лекция 9 — метрики качества классификацииСкачать

Принципы метрики

Метрика в мультиклассовой классификации играет важную роль при оценке качества модели. Применение подходящей метрики позволяет исследователям и разработчикам лучше понять, насколько успешно модель может классифицировать данные.

Основные принципы метрики в мультиклассовой классификации включают:

Учет всех классов: Метрика должна учитывать все классы в задаче классификации. Это особенно важно, когда классы несбалансированы и некоторые классы имеют малое количество примеров.
Отражение важности: Метрика должна отражать относительную важность каждого класса. Некоторые классы могут быть более важными, чем другие, и их ошибки могут вызывать более серьезные последствия.
Объективность: Метрика должна быть объективной и не зависеть от специфики данных или модели. Она должна быт то общеприменима и позволять сравнивать результаты различных моделей.
Интерпретируемость: Метод метрики должен быть легко интерпретируемым и понятным, чтобы пользователи могли легко понять, насколько успешной является классификационая модель в различных сценариях.

Отличительной особенностью метрики в мультиклассовой классификации является ее способность оценивать не только правильность отнесения образца к определенному классу, но и способность классифицировать образцы во всех классах одновременно.

Точность измерений

Основное преимущество точности измерений заключается в том, что она предоставляет наглядную оценку эффективности модели. Чем выше точность измерений, тем более надежная и точная модель классификации.

Для мультиклассовой классификации, когда требуется классифицировать объекты на несколько классов, каждый класс имеет свою собственную точность измерений. Метрики классов суммируются и усредняются, чтобы получить общую точность измерений для модели.

Важно отметить, что точность измерений не учитывает долю ложных срабатываний и пропусков. Для полной оценки производительности модели необходимо использовать и другие метрики, такие как полнота измерений и F-мера.

Таким образом, точность измерений является ключевым показателем в мультиклассовой классификации, который помогает определить качество модели и принять решение о ее применимости в практических задачах.

Объективность результатов

Для достижения объективности результатов используются различные метрики, такие как Accuracy (точность), Precision (точность), Recall (полнота), F1-мера и другие. Каждая из этих метрик имеет свои особенности и подходит для оценки определенных аспектов классификации.

Важно отметить, что объективность результатов достигается за счет использования независимых и проверенных методов оценки. Метрики в мультиклассовой классификации основаны на анализе и сравнении истинных и предсказанных меток классов, что позволяет получить объективное представление о качестве работы алгоритма.

Кроме того, использование метрик в мультиклассовой классификации позволяет исключить субъективные факторы при оценке работы алгоритма. Метрики предоставляют количественные оценки, которые могут быть легко интерпретированы и сопоставлены между разными моделями.

Таким образом, объективность результатов является неотъемлемой частью принципов метрики в мультиклассовой классификации. Она позволяет получить надежные и сопоставимые оценки качества работы алгоритма и принять взвешенные решения на основе этих оценок.

Консистентность данных

Преимущество высокой консистентности данных заключается в том, что она позволяет лучше понять структуру данных и выявить закономерности между классами. Это полезно для дальнейшего анализа и принятия решений на основе результатов классификации. Если модель имеет низкую консистентность данных, то ее результаты могут быть непредсказуемыми и непостоянными, что может затруднить исследование данных и поиск значимых паттернов.

Для обеспечения высокой консистентности данных в мультиклассовой классификации важно проводить достаточно качественный анализ и предобработку данных. Это включает в себя проверку наличия и обработку выбросов, нормализацию и стандартизацию признаков, а также устранение пропусков данных. Также важно проводить кросс-валидацию и использовать различные метрики для оценки модели, чтобы обеспечить ее стабильность и надежность.

Видео:Оценка классификация в машинном обучении [False positive vs False Negative] Какие метрики?Скачать

Мультиклассовая классификация

Преимущества мультиклассовой классификации состоят в следующем:

Учет большего количества классов: в мультиклассовой классификации можно обрабатывать различные категории данных, в то время как бинарная классификация ограничена только двумя классами.
Более точные результаты: мультиклассовая классификация позволяет получить более точные предсказания, так как в ней учитывается большее количество вариантов и возможных исходов.
Лучшая интерпретируемость: мультиклассовая классификация дает более полную картину о распределении объектов по классам, что упрощает интерпретацию результатов.

Однако, есть и некоторые сложности, связанные с мультиклассовой классификацией. При увеличении количества классов может возникнуть проблема перекоса классов, когда одни классы имеют гораздо большую представленность, чем другие. Также требуется выбрать и настроить подходящую метрику для оценки качества классификации.

Определение и примеры

Преимуществом использования метрик в мультиклассовой классификации является возможность оценить качество работы алгоритма не только для отдельных классов, но и в целом. Это позволяет более точно определить эффективность алгоритма и выбрать наилучший из них.

Примерами метрик в мультиклассовой классификации являются:

Точность (Accuracy) — отношение числа правильно предсказанных классов к общему количеству объектов.
Полнота (Recall) — отношение числа правильно предсказанных объектов положительного класса к общему числу объектов этого класса.
Точность (Precision) — отношение числа объектов, которые были правильно предсказаны положительными, к общему числу объектов, которые были предсказаны положительными.
F-мера (F-measure) — среднее гармоническое между точностью и полнотой. Она позволяет учесть и точность, и полноту одновременно.

Выбор подходящей метрики зависит от специфики задачи и требований к оценке качества работы алгоритма мультиклассовой классификации. Каждая метрика имеет свои особенности и применяется в разных ситуациях.

Проблемы и сложности

Классификация в многоклассовой задаче может быть сложной, потому что каждый объект может принадлежать только одному классу, в то время как возможных классов может быть больше двух. Это означает, что обобщение результатов классификации на полное множество классов может быть затруднительно.

Другой проблемой является несбалансированность классов, когда количество объектов в разных классах существенно отличается. В таких случаях, метрики, которые учитывают только количество верно классифицированных объектов, могут быть искажены, и не могут полноценно оценить качество классификации.

Кроме того, обобщение метрик на множество классов также может быть неочевидным и сложным. Это связано с тем, что различные классы могут иметь различное значение для конечной задачи классификации, и важно правильно взвесить каждый класс при оценке общего качества классификации.

Несмотря на эти сложности, применение метрик в мультиклассовой классификации имеет свои преимущества. Оценка качества классификации позволяет выбирать наилучшие алгоритмы и настраивать параметры моделей, чтобы достичь наилучших результатов. Кроме того, метрики помогают лучше понять и интерпретировать результаты классификации и оценить степень уверенности модели в принятии правильного решения.

Видео:MICRO, MACRO, WEIGHTED УСРЕДНЕНИЕ | ДЛЯ КАКИХ ЗАДАЧ | МЕТРИКИ КЛАССИФИКАЦИИСкачать

Значимость метрики в мультиклассовой классификации

Метрика играет важную роль в задаче мультиклассовой классификации. Мультиклассовая классификация отличается от бинарной классификации тем, что объект может принадлежать одному из множества классов, вместо двух возможных классов.

Метрика в классификации – это инструмент, который помогает оценить качество работы алгоритма классификации. Она позволяет измерить, насколько точно классификатор определяет принадлежность объектов к определенным классам.

Выбор подходящей метрики или комбинации метрик для задачи мультиклассовой классификации является важным шагом. Различные метрики могут учитывать разные аспекты классификации и давать разные результаты.

Одна из основных причин, почему метрика является значимой в мультиклассовой классификации, заключается в том, что разные классификаторы могут иметь разное качество на разных классах. Идеальный классификатор, который был бы идеально точным для всех классов, к сожалению, часто является нереализуемым. Поэтому, чтобы оценить хорошо ли модель классификации справляется с каждым классом, необходимо использовать подходящие метрики.

Преимущество использования метрики в мультиклассовой классификации заключается в том, что она предоставляет более детальную информацию о производительности классификатора на каждом классе. Понимание, какой классификатор лучше работает на каком классе, позволяет анализировать сильные и слабые стороны алгоритма и позволяет сделать улучшения.

Кроме того, метрика в мультиклассовой классификации позволяет сравнить различные классификаторы и выбрать наиболее подходящий для конкретной задачи. Зная результаты классификации в разных метриках, можно выбрать наиболее подходящую модель, которая демонстрирует наилучшие показатели для интересующего нас критерия.

В итоге, использование метрики в мультиклассовой классификации позволяет получить обьективные результаты по каждому классу и обеспечивает возможность выбора наиболее подходящей модели на основе этих результатов. Это дает возможность улучшить качество классификатора и повысить его применимость в реальных задачах.

Понимание качества классификации

В мультиклассовой классификации принцип понимания качества классификации основывается на оценке производительности модели, то есть на способности модели правильно идентифицировать классы входных данных. Для этого используются различные метрики, которые позволяют оценить точность и полноту классификации.

Одной из наиболее распространенных метрик является матрица ошибок (confusion matrix), которая позволяет визуализировать, сколько объектов каждого класса было верно и неверно классифицировано. Исходя из этой матрицы, можно рассчитать такие метрики, как точность (accuracy), полноту (recall) и F-меру (F-measure), которые позволяют судить о качестве классификации.

Точность (accuracy) показывает, какую долю объектов модель классифицировала верно относительно всех объектов. Полнота (recall) показывает, какую долю объектов одного класса модель правильно идентифицировала относительно всех объектов этого класса. F-мера (F-measure) является гармоническим средним между точностью и полнотой и позволяет учесть их обе метрики.

Преимущество метрик в мультиклассовой классификации заключается в том, что они позволяют не только оценить общую производительность модели, но и учесть ее способность правильно идентифицировать каждый из классов. Таким образом, можно анализировать результаты классификации для каждого класса отдельно и принимать решения на основе этой информации, например, вносить корректировки в модель для улучшения ее производительности.

Итак, понимание качества классификации в мультиклассовой классификации играет важную роль в разработке и оценке моделей, позволяя осознавать, насколько точно и полно модель классифицирует объекты каждого из классов.

Сравнение различных алгоритмов

В мультиклассовой классификации существует множество алгоритмов, которые могут быть применены для решения задачи. Каждый из этих алгоритмов имеет свои преимущества и недостатки. Ниже приведено сравнение нескольких популярных алгоритмов:

Метод k-ближайших соседей (k-NN)
Этот метод основан на предположении, что объекты одного класса находятся близко друг к другу в многомерном пространстве признаков. Он не требует обучения, но может быть медленным при работе с большими наборами данных. Преимущество этого метода заключается в простоте реализации и возможности работы с несбалансированными данными.
Метод опорных векторов (SVM)
SVM является мощным алгоритмом машинного обучения, который строит гиперплоскость для разделения классов. Он хорошо работает с линейно-разделимыми данными и способен обрабатывать большие объемы данных. Однако, SVM может быть сложным для обучения и требует правильной настройки параметров.
Случайный лес (Random Forest)
Этот алгоритм комбинирует несколько деревьев решений и принимает решение на основе голосования. Random Forest хорошо работает с несбалансированными данными и устойчив к шуму и выбросам. Однако, он может быть медленным при работе с большими наборами данных.

Кроме вышеуказанных алгоритмов, на рынке существуют и другие методы мультиклассовой классификации, такие как нейронные сети, градиентный бустинг и т.д. Выбор алгоритма для решения задачи мультиклассовой классификации зависит от множества факторов, включая размер и природу данных, доступные ресурсы и требования к точности и скорости работы модели.

Разработка метрик для специфических задач

При работе с мультиклассовой классификацией, основные метрики, такие как точность, полнота и F-мера, могут не всегда полностью отражать эффективность алгоритма на конкретной задаче. В таких случаях может потребоваться разработка специальных метрик, учитывающих особенности предметной области.

Одним из примеров таких задач может быть классификация с разными важностями классов. Например, при построении модели для определения религиозной принадлежности людей в многонациональном обществе, классификация правильных и ошибочных предсказаний между меньшинством и большинством может иметь разные последствия. В таких случаях может быть полезно разработать метрику, которая учитывает важность каждого класса при подсчете общей эффективности модели.

Еще одним примером может быть задача классификации в условиях несбалансированности классов. Например, при определении редкого заболевания на основе медицинских симптомов, классификатор может быть смещен в сторону более распространенных заболеваний, пренебрегая редкими, но важными заболеваниями. В таких случаях может быть необходимо разработать метрику, которая учитывает идентификацию редких классов с более высокой важностью.

Разработка метрик для специфических задач может потребовать компромиссов и анализа особенностей данных. Важно учитывать конечную цель и требования предметной области при разработке таких метрик. Результат должен быть корректным и интерпретируемым, чтобы обеспечить адекватную оценку эффективности алгоритма мультиклассовой классификации.

Видео:PRECISION, RECALL, CONFUSION MATRIX, ТОЧНОСТЬ, ПОЛНОТА, МАТРИЦА ОШИБОК | МЕТРИКИ КЛАССИФИКАЦИИСкачать

Выбор метрики в мультиклассовой классификации

Метрика в мультиклассовой классификации играет важную роль при оценке качества модели. В отличие от задач бинарной классификации, где мы оцениваем только два класса, в мультиклассовой классификации у нас может быть множество классов, поэтому выбор правильной метрики становится особенно важным.

Один из основных недостатков использования метрик, предназначенных для бинарной классификации, в мультиклассовой классификации заключается в том, что они не учитывают взаимосвязь между классами. Например, метрика accuracy, которая измеряет долю правильно классифицированных объектов, может быть непоказательной в случае, когда классы несбалансированы или имеют различную важность.

Для правильного выбора метрики в мультиклассовой классификации следует учитывать следующие факторы:

Фактор	Рекомендации
Сбалансированность классов	Если классы сбалансированы, то можно использовать метрики, основанные на точности (precision) и полноте (recall) для каждого класса. Например, метрика F1-мера, которая является гармоническим средним между precision и recall, может быть хорошим выбором.
Несбалансированность классов	Если классы несбалансированы, то нужно обратить внимание на метрики, которые учитывают эту несбалансированность. Например, метрика взвешенной accuracy, которая учитывает долю правильно классифицированных объектов для каждого класса, может быть предпочтительной.
Важность классов	Если некоторые классы имеют большую важность, то рекомендуется использовать метрики, которые учитывают эту важность. Например, взвешенная F1-мера или метрики, основанные на матрице ошибок, могут быть полезными.
Контекст задачи	Выбор метрики также должен учитывать конкретный контекст задачи и ее особенности. Например, если важно минимизировать число false positive, то можно использовать метрику precision.

Определение правильной метрики в мультиклассовой классификации является компромиссом между различными факторами, и итоговый выбор зависит от конкретной задачи и ее особенностей.

Важно помнить, что метрика не является единственным критерием, и для оценки качества модели также можно использовать другие методы, например, кросс-валидацию или анализ confusion matrix.

Варианты метрик и их особенности

При оценке результатов мультиклассовой классификации существует несколько различных метрик, каждая из которых имеет свои особенности и предназначена для оценки конкретных аспектов классификации. Некоторые из наиболее часто используемых метрик включают в себя:

Точность (Accuracy): эта метрика измеряет долю правильно классифицированных объектов относительно общего числа объектов в выборке. Однако, точность может быть искажена, если классы в выборке несбалансированы.
Матрица ошибок (Confusion Matrix): это таблица, которая показывает количество верно и неверно классифицированных объектов для каждого класса. Матрица ошибок позволяет более детально изучить результаты классификации и выявить причины ошибок.
Полнота (Recall): эта метрика измеряет способность модели обнаруживать все объекты положительного класса. Она позволяет оценить, насколько хорошо модель находит все истинные положительные значения, а также учитывает, что ложно отрицательные результаты могут быть опасными.
Точность (Precision): эта метрика измеряет способность модели правильно классифицировать объекты положительного класса относительно общего числа объектов, которые модель отнесла к положительному классу. Перед использованием этой метрики важно учитывать, что она сфокусирована на исключении ложноположительных результатов.
F-мера (F1-Score): это среднее гармоническое между полнотой и точностью. F-мера является мерой баланса между полнотой и точностью, и часто используется в случаях, когда необходимо найти оптимальный баланс между этими двумя метриками.

При выборе метрик для оценки мультитасковой классификации важно учитывать особенности задачи и конкретные требования. Оптимальная метрика будет зависеть от того, какие ошибки более критичны и какие аспекты классификации требуют более детального анализа.

Примеры использования метрик

Метрики в мультиклассовой классификации играют важную роль при оценке качества работы алгоритма. Они позволяют измерить точность и полноту классификации, а также позволяют сравнивать различные алгоритмы между собой. Вот некоторые примеры метрик, которые могут быть использованы при оценке результатов мультиклассовой классификации:

Метрика	Описание
Точность (Precision)	Показывает, насколько точно алгоритм классифицирует объекты определенного класса. Высокое значение указывает на мало ложноположительных предсказаний.
Полнота (Recall)	Показывает, насколько полно алгоритм находит объекты определенного класса. Высокое значение указывает на мало ложноотрицательных предсказаний.
F-мера (F-measure)	Комбинированная метрика, которая учитывает и точность, и полноту. Она представляет собой среднее гармоническое между точностью и полнотой.
Матрица ошибок (Confusion matrix)	Позволяет визуализировать результаты работы алгоритма классификации в виде матрицы, где каждая ячейка представляет собой количество правильно и неправильно классифицированных объектов.
Macro-усреднение (Macro-average)	Эта метрика усредняет оценки по каждому классу независимо от его размера, что позволяет сравнивать алгоритмы даже при несбалансированных данных.
Micro-усреднение (Micro-average)	Эта метрика усредняет оценки по каждому объекту независимо от его класса, что позволяет учесть все объекты при оценке.

Это только несколько примеров метрик, которые могут быть использованы в мультиклассовой классификации. Выбор подходящих метрик зависит от конкретной задачи и требований к качеству классификации.

Видео:#28. Многоклассовая классификация. Методы one-vs-all и all-vs-all | Машинное обучениеСкачать

Преимущества метрики в мультиклассовой классификации

Метрики играют важную роль в оценке качества моделей машинного обучения, особенно в задачах мультиклассовой классификации. Они позволяют измерить эффективность классификатора и сравнить различные алгоритмы на основании этих метрик.

Одним из преимуществ метрик в мультиклассовой классификации является то, что они учитывают не только количество правильно классифицированных объектов, но и различные аспекты ошибок классификации.

Наиболее распространенными метриками в мультиклассовой классификации являются точность (accuracy), матрица ошибок (confusion matrix), макро-усреднение (macro-averaging) и микро-усреднение (micro-averaging).

Метрика точности позволяет оценить долю правильно классифицированных объектов относительно общего числа объектов. Она является простой и интуитивно понятной метрикой, однако может быть неинформативной в случае несбалансированных классов.

Матрица ошибок предоставляет детальную информацию о классификации каждого класса и позволяет идентифицировать типы ошибок (ложноположительные и ложноотрицательные). Это позволяет более глубоко понять, какой классификатор может быть наиболее эффективным в определенных сценариях.

Макро-усреднение и микро-усреднение позволяют учесть все классы при расчете метрик, учитывая их относительное важность. Макро-усреднение вычисляет среднюю метрику для каждого класса и усредняет эти значения, не принимая во внимание размеры классов. Микро-усреднение вычисляет общую метрику для всех классов, принимая во внимание размеры классов.

Таким образом, оценка метрик в мультиклассовой классификации позволяет более полно и объективно оценить качество классификатора, учитывая различные аспекты ошибок и особенности данных.

Адаптация под различные типы данных

Преимущество метрик в мультиклассовой классификации заключается в их способности адаптироваться под различные типы данных. Каждый набор данных может иметь свои особенности, и метрики позволяют учитывать эти особенности при оценке качества классификации.

Одна из основных проблем мультиклассовой классификации заключается в том, что классов может быть больше двух. Это означает, что матрица ошибок, которая используется для подсчета метрик, становится более сложной. Вместо обычной матрицы 2×2, которая используется в бинарной классификации, матрица ошибок для мультиклассовой классификации имеет размерность NxN, где N — количество классов.

Метрики в мультиклассовой классификации позволяют учесть эту сложность и корректно оценить качество классификации. Они основываются на различных показателях, таких как точность, полнота и F-мера, и адаптируются под различные типы данных.

Например, если у нас есть набор данных с дисбалансом классов, то метрики могут учитывать этот дисбаланс и предоставлять более справедливую оценку качества классификации. Точность и полнота будут вычисляться с учетом доли каждого класса в наборе данных, что позволит более точно оценить качество классификации.

В целом, адаптация метрик под различные типы данных позволяет более корректно оценить качество классификации в мультиклассовых задачах. Это особенно важно при работе с большими и сложными наборами данных, где каждый класс может иметь свои особенности и требования.

Учет специфики задачи

Метрики в мультиклассовой классификации играют важную роль при оценке качества моделей и выборе наилучшей стратегии решения задачи. Преимущество использования подходящей метрики заключается в том, что она учитывает специфику задачи, позволяя получить более точную оценку производительности модели.

Каждая задача мультиклассовой классификации имеет свою уникальную особенность. Например, в задаче определения тональности текста требуется классифицировать тексты на несколько категорий: положительную, отрицательную или нейтральную. В задаче определения жанра музыкальной композиции классификатор должен распознать несколько жанров, таких как рок, поп, джаз и т.д. В каждой из этих задач важны разные аспекты, и поэтому требуются разные метрики для оценки результатов.

Выбор подходящей метрики позволяет учитывать специфику задачи и получать более релевантные результаты. Например, в случае, когда один класс является доминирующим, а другие классы малочисленны или имеют между собой сильные взаимосвязи, метрика, учитывающая несбалансированность классов или ошибки в предсказаниях определенных классов, может быть более предпочтительной.

Важно понимать, что не существует универсальной метрики, подходящей для всех задач мультиклассовой классификации. Поэтому при выборе метрики необходимо учитывать специфику задачи, характер данных и требования к результатам классификации, чтобы получить наиболее корректную оценку качества модели.

Улучшение качества классификации

Один из основных методов улучшения качества классификации в мультиклассовой классификации — это использование ансамблей моделей. Ансамбли моделей объединяют несколько отдельных моделей машинного обучения для получения одной общей модели, которая предсказывает класс объекта на основе голосования или совместного решения. Такой подход помогает увеличить точность классификации за счет учета различных аспектов и характеристик данных.

Еще одним методом улучшения качества классификации является балансировка классов. В задачах мультиклассовой классификации часто возникает дисбаланс классов, когда количество объектов в разных классах существенно отличается. Это может привести к смещению модели в сторону более представительного класса и неправильной классификации объектов менее представленных классов. Для решения этой проблемы можно использовать различные техники балансировки классов, такие как увеличение выборки объектов меньше представленных классов, уменьшение выборки объектов более представленных классов или взвешивание классов во время обучения модели.

Также для улучшения качества классификации можно использовать техники отбора признаков. Отбор признаков позволяет выбрать наиболее значимые и информативные признаки, которые помогут улучшить процесс классификации. Меньшее количество признаков может уменьшить шум и избыточность данных, а также ускорить процесс обучения модели.

Наконец, важным методом улучшения качества классификации является оптимизация гиперпараметров модели. Гиперпараметры — это параметры модели, которые не определяются в процессе обучения, а задаются пользователем до обучения. Подбор оптимальных гиперпараметров позволяет найти более подходящую модель, которая лучше соответствует данным и позволяет достичь более точной классификации.

Таким образом, использование ансамблей моделей, балансировка классов, отбор признаков и оптимизация гиперпараметров модели являются важными методами и принципами, которые помогают улучшить качество классификации в задачах мультиклассовой классификации.