多標(biāo)簽分類格式

對于多標(biāo)簽分類問題而言，一個樣本可能同時屬于多個類別。如一個新聞屬于多個話題。這種情況下，因變量yy需要使用一個矩陣表達(dá)出來。

而多類別分類指的是y的可能取值大于2，但是y所屬類別是唯一的。它與多標(biāo)簽分類問題是有嚴(yán)格區(qū)別的。所有的scikit-learn分類器都是默認(rèn)支持多類別分類的。但是，當(dāng)你需要自己修改算法的時候，也是可以使用scikit-learn實現(xiàn)多類別分類的前期數(shù)據(jù)準(zhǔn)備的。

多類別或多標(biāo)簽分類問題，有兩種構(gòu)建分類器的策略：One-vs-All及One-vs-One。下面，通過一些例子進(jìn)行演示如何實現(xiàn)這兩類策略。

# from sklearn.preprocessing import MultiLabelBinarizer y = [[2,3,4],[2],[0,1,3],[0,1,2,3,4],[0,1,2]] MultiLabelBinarizer().fit_transform(y) array([[0, 0, 1, 1, 1],[0, 0, 1, 0, 0],[1, 1, 0, 1, 0],[1, 1, 1, 1, 1], [1, 1, 1, 0, 0]])

One-Vs-The-Rest策略

這個策略同時也稱為One-vs-all策略，即通過構(gòu)造K個判別式（K為類別的個數(shù)），第ii個判別式將樣本歸為第ii個類別或非第ii個類別。這種分類方法雖然比較耗時間，但是能夠通過每個類別對應(yīng)的判別式獲得關(guān)于該類別的直觀理解（如文本分類中每個話題可以通過只屬于該類別的高頻特征詞區(qū)分）。

多類別分類學(xué)習(xí)

from sklearn import datasets from sklearn.multiclass import OneVsRestClassifier from sklearn.svm import LinearSVC iris = datasets.load_iris() X,y = iris.data,iris.target OneVsRestClassifier(LinearSVC(random_state = 0)).fit(X,y).predict(X) array([0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 2, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 2, 2, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 1, 2, 2, 2, 1, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2])

?

多標(biāo)簽分類學(xué)習(xí)

Kaggle上有一個關(guān)于多標(biāo)簽分類問題的競賽：Multi-label classification of printed media articles to topics。

關(guān)于該競賽的介紹如下：

This is a multi-label classification competition for articles coming from Greek printed media. Raw data comes from the scanning of print media, article segmentation, and optical character segmentation, and therefore is quite noisy. Each article is examined by a human annotator and categorized to one or more of the topics being monitored. Topics range from specific persons, products, and companies that can be easily categorized based on keywords, to more general semantic concepts, such as environment or economy. Building multi-label classifiers for the automated annotation of articles into topics can support the work of human annotators by suggesting a list of all topics by order of relevance, or even automate the annotation process for media and/or categories that are easier to predict. This saves valuable time and allows a media monitoring company to expand the portfolio of media being monitored.

我們從該網(wǎng)站下載相應(yīng)的數(shù)據(jù)，作為多標(biāo)簽分類的案例學(xué)習(xí)。

數(shù)據(jù)描述

這個文本數(shù)據(jù)集已經(jīng)用詞袋模型進(jìn)行形式化表示，共201561個特征詞，每個文本對應(yīng)一個或多個標(biāo)簽，共203個分類標(biāo)簽。該網(wǎng)站提供了兩種數(shù)據(jù)格式：ARFF和LIBSVM,ARFF格式的數(shù)據(jù)主要適用于weka，而LIBSVM格式適用于matlab中的LIBSVM模塊。這里，我們采用LIBSVM格式的數(shù)據(jù)。

數(shù)據(jù)的每一行以逗號分隔的整數(shù)序列開頭，代表類別標(biāo)簽。緊接著是以\t分隔的id:value對。其中，id為特征詞的ID，value為特征詞在該文檔中的TF-IDF值。

形式如下。

58,152 833:0.032582 1123:0.003157 1629:0.038548 ...

?

數(shù)據(jù)載入

# load modules import os import sys import numpy as np from sklearn.datasets import load_svmlight_file from sklearn.preprocessing import LabelBinarizer from sklearn.preprocessing import MultiLabelBinarizer from sklearn.linear_model import LogisticRegression from sklearn.multiclass import OneVsRestClassifier from sklearn import metrics # set working directory os.chdir("D:\\my_python_workfile\\Thesis\\kaggle_multilabel_classification") # read files X_train,y_train = load_svmlight_file("./data/wise2014-train.libsvm",dtype=np.float64,multilabel=True) X_test,y_test = load_svmlight_file("./data/wise2014-test.libsvm",dtype = np.float64,multilabel=True)

模型擬合及預(yù)測

# transform y into a matrix mb = MultiLabelBinarizer() y_train = mb.fit_transform(y_train) # fit the model and predict clf = OneVsRestClassifier(LogisticRegression(),n_jobs=-1) clf.fit(X_train,y_train) pred_y = clf.predict(X_test)

模型評估

由于沒有關(guān)于測試集的真實標(biāo)簽，這里看看訓(xùn)練集的預(yù)測情況。

# training set result y_predicted = clf.predict(X_train) #report #print(metrics.classification_report(y_train,y_predicted)) import numpy as np np.mean(y_predicted == y_train) 0.99604661023482433

保存結(jié)果

# write the output out_file = open("pred.csv","w") out_file.write("ArticleId,Labels\n") id = 64858 for i in xrange(pred_y.shape[0]): label = list(mb.classes_[np.where(pred_y[i,:]==1)[0]].astype("int")) label = " ".join(map(str,label)) if label == "": # if the label is empty label = "103" out_file.write(str(id+i)+","+label+"\n") out_file.close()

One-Vs-One策略

One-Vs-One策略即是兩兩類別之間建立一個判別式，這樣，總共需要K(K?1)/2K(K?1)/2個判別式，最后通過投票的方式確定樣本所屬類別。

多類別分類學(xué)習(xí)

from sklearn import datasets from sklearn.multiclass import OneVsOneClassifier from sklearn.svm import LinearSVC iris = datasets.load_iris() X,y = iris.data,iris.target OneVsOneClassifier(LinearSVC(random_state = 0)).fit(X,y).predict(X) array([0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 2, 1, 2, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 2, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2])

參考文獻(xiàn)

• Multiclass and multilabel algorithms

• Greek Media Monitoring Multilabel Classification (WISE 2014)

? ? ? http://yphuang.github.io/blog/2016/04/22/Multiclass-and-Multilabel-algorithms-Implementation-in-sklearn/

轉(zhuǎn)載于:https://www.cnblogs.com/Allen-rg/p/9492303.html

總結(jié)

以上是生活随笔為你收集整理的使用 scikit-learn 实现多类别及多标签分类算法的全部內(nèi)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(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。