單標簽二分類算法

Logistic算法

單標簽多分類算法

Softmax算法

One-Versus-One（ovo）：一對一

One-Versus-All / One-Versus-the-Rest（ova/ovr）： 一對多

ovo和ovr的區別

Error Correcting Output codes（糾錯碼機制）：多對多

多標簽多分類算法

Problem Transformation Methods

Binary Relevance

Classifier Chains

Calibrated Label Ranking

Algorithm Adaptation

ML-kNN

ML-DT

多標簽多分類在Scikit-learn中的實現方式

---

單標簽二分類算法

單標簽二分類這種問題是我們最常見的算法問題，主要是指label標簽的取值只有兩種，并且算法中只有一個需要預測的label標簽。直白來講就是每個實例的可能類別只有兩種（A or B）。此時的分類算法其實是在構建一個分類線將數據劃分為兩個類別。常見的算法有：Logistic、SVM、KNN等。

? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?

Logistic算法

? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?

單標簽多分類算法

單標簽多分類問題其實是指待預測的label標簽只有一個，但是label標簽的取值可能有多種情況。直白來講就是每個實例的可能類別有K種。常見算法：Softmax、KNN等。

? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ??

Softmax算法

? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ??

在實際的工作中，如果是一個多分類的問題，我們可以將這個待求解的問題轉換為二分類算法的延伸，即將多分類任務拆分為若干個二分類任務求解，具體的策略如下：

• One-Versus-One(ovo)：一對一
• One-Versus-All / One-Versus-the-Rest(ova/ovr)： 一對多
• Error Correcting Output codes(糾錯碼機制)：多對多

One-Versus-One（ovo）：一對一

將K個類別中的兩兩類別數據進行組合，然后使用組合后的數據訓練出來一個模型，從而產生K(K-1)/2個分類器，將這些分類器的結果進行融合，并將分類器的預測結果使用多數投票的方式輸出最終的預測結果值。

One-Versus-All / One-Versus-the-Rest（ova/ovr）： 一對多

在一對多模型訓練中，不是兩兩類別的組合，而是將每一個類別作為正例，其它剩余的樣例作為反例分別來訓練K個模型。然后在預測的時候，如果在這K個模型中，只有一個模型輸出為正例，那么最終的預測結果就是屬于該分類器的這個類別。如果產生多個正例，那么則可以選擇根據分類器的置信度作為指標，來選擇置信度最大的分類器作為最終結果，常見置信度：精確度、召回率。

ovo和ovr的區別

Error Correcting Output codes（糾錯碼機制）：多對多

將模型構建應用分為兩個階段：編碼階段和解碼階段。編碼階段中對K個類別中進行M次劃分，每次劃分將一部分數據分為正類，一部分數據分為反類，每次劃分都構建出來一個模型，模型的結果是在空間中對于每個類別都定義了一個點。解碼階段中使用訓練出來的模型對測試樣例進行預測，將預測樣本對應的點和類別之間的點求距離，選擇距離最近的類別作為最終的預測類別。

多標簽多分類算法

Multi-Label Machine Learning（MLL算法）是指預測模型中存在多個y值，具體分為兩類不同情況：

• 多個待預測的y值
• 在分類模型中，一個樣例可能存在多個不固定的類別

根據多標簽業務問題的復雜性，可以將問題分為兩大類：

• 待預測值之間存在相互的依賴關系
• 待預測值之間是不存在依賴關系的

對于這類問題的解決方案可以分為兩大類：

• 轉換策略（Problem Transformation Methods）
• 算法適應（Algorithm Adaptation）

Problem Transformation Methods

該方法又叫做策略轉換或者問題轉換，是一種將多標簽的分類問題轉換成為單標簽模型構造的問題，然后將模型合并的一種方法，主要有以下幾種方式：

• Binary Relevance（first-order）
• Classifier Chains（high-order）
• Calibrated Label Ranking（second-order）

Binary Relevance

Binary Relevance的核心思想是將多標簽分類問題進行分解，將其轉換為q個二元分類問題，其中每個二元分類器對應一個待預測的標簽。

Binary Relevance方式的優點如下：

• 實現方式簡單，容易理解
• 當y值之間不存在相關的依賴關系的時候，模型的效果不錯

Binary Relevance方式的缺點如下：

• 如果y之間存在相互的依賴關系，那么最終構建的模型的泛化能力比較弱
• 需要構建q個二分類器，q為待預測的y值數量，當q比較大的時候，需要構建的模型會比較多

Classifier Chains

Classifier Chains的核心思想是將多標簽分類問題進行分解，將其轉換成為一個二元分類器鏈的形式，其中后鏈的二元分類器的構建是在前面分類器預測結果的基礎上的。在模型構建的時候，首先將標簽順序進行shuffle打亂排序操作，然后按照從頭到尾分別構建每個標簽對應的模型。

Classifier Chains方法的優點如下：

• 實現方式相對比較簡單，容易理解
• 考慮標簽之間的依賴關系，最終模型的泛化能力相對于Binary Relevance方式構建的模型效果要好

缺點如下：

• 很難找到一個比較適合的標簽依賴關系

Calibrated Label Ranking

Calibrated Label Ranking的核心思想是將多標簽分類問題進行分解，將其轉換為標簽的排序問題，最終的標簽就是排序后最大的幾個標簽值。

Calibrated Label Ranking 方法的優點如下：

• 考慮了標簽兩兩組合的情況，最終的模型相對來講泛化能力比較好

Calibrated Label Ranking 方法的缺點如下：

• 只考慮兩兩標簽的組合，沒有考慮到標簽與標簽之間的所有依賴關系

Algorithm Adaptation

Algorithm Adaptation又叫做算法適應性策略，是一種將現有的單標簽的算法直接應用到多標簽上的一種方式，主要有以下幾種方式：

• ML-kNN
• ML-DT

ML-kNN

ML-kNN的思想：對于每一個實例來講，先獲取距離它最近的k個實例，然后使用這些實例的標簽集合，通過最大后驗概率（MAP）來判斷這個實例的預測標簽集合的值。

最大后驗概率（MAP）：其實就是在最大似然估計（MLE）中加入了這個要估計量的先驗概率分布。

? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ??

ML-DT

ML-DT是使用決策樹處理多標簽內容，核心在于給予更細粒度的信息熵增益準則來構建這個決策樹模型。
? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?

多標簽多分類在Scikit-learn中的實現方式

在Scikit-learn中使用OneVsRestClassifier對多標簽進行分類操作，內部其實是將多標簽問題轉換為多類別的區分問題。

?

總結

以上是生活随笔為你收集整理的机器学习之单标签多分类及多标签多分类的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。