One-Error多标签分类_多分类及多标签分类算法
一、单标签多分类
1、单标签二分类算法原理
``
1、单标签二分类这种问题是我们最常见的算法问题，主要是指label 标签的取值只有两种，并且算法中只有一个需要预测的label标签；
``
直白来讲就是每个实例的可能类别只有两种(A or B)；此时的分类 算法其实是在构建一个分类线将数据划分为两个类别。
``
2、常见的算法：Logistic、SVM、KNN、决策树等
``
2、单标签多分类算法原理
``
1、单标签多分类问题其实是指待预测的label标签只有一个，但是 label标签的取值可能有多种情况；直白来讲就是每个实例的可能
``
类别有K种(t1,t2,...tk,k≥3)；
``
2、常见算法：Softmax、SVM、KNN、决策树(集成学习 ----RF(Bagging)、Boosting(Adaboost、GBDT)；XGBo
``
-
3、是一个多分类的问题，我们可以将这个待 求解的问题转换为二分类算法的延伸，即将多分类任务拆分为若 干个二分类任务求解，
-
具体的策略如下：
-
• One-Versus-One(ovo)：一对一
-
• One-Versus-All / One-Versus-the-Rest(ova/ovr)：一对多
-
• Error Correcting Output codes(纠错码机制)：多对多
3、单标签多分类算法原理-ovo
``
• 原理：将K个类别中的两两类别数据进行组合，然后使用组合后的 数据训练出来一个模型，从而产生K(K-1)/2个分类器，将这些分类
``
器的结果进行融合，并将分类器的预测结果使用多数投票的方式 输出最终的预测结果值。
``
4、单标签多分类算法原理-ovr
``
1、ovr与softmax的区别：
``
① softmax 每一次训练模型用的是整个训练数据中的某一类别的数据，从而的该类别的权重系数，通过测试集计算各个类型权
``
重的预测值，取最大的预测值(或者概率)的类型作为预测类型。
``
② ovr 每一次是代入所有的训练集数据来训练子模型，取出结果为正例的类
``
别(多个正例取最大值)。
``
5、OvO和OvR的区别
6、单标签多分类算法原理-Error Correcting
``
• 原理：将模型构建应用分为两个阶段：编码阶段和解码阶段；编 码阶段中对K个类别中进行M次划分，每次划分将一部分数据分 为
``
正类，一部分数据分为反类，每次划分都构建出来一个模型， 模型的结果是在空间中对于每个类别都定义了一个点；解码阶段
``
中使用训练出来的模型对测试样例进行预测，将预测样本对应的 点和类别之间的点求距离，选择距离最近的类别作为最终的预
``
测 类别。
``
``
**二、多标签多分类**
``
``1、多标签多分类这类问题的解决方案可以分为两大类：``1) 转换策略(Problem Transformation Methods)；
``• Binary Relevance(first-order) --------- y标签之间相互独立``• Classifier Chains(high-order) --------- y标签之间相互依赖(链式)
``• Calibrated Label Ranking(second-order) --------- 了解``2) 算法适应(Algorithm Adaptation)。
``• ML-kNN ``• ML-DT
``
``
#### 1、 转换策略(Problem Transformation Methods)
```
```
``
`1、转换策略思想：将多标签多分类问题转化为多个单标签二分类(通过哑编码转换 >>>>>>> -1 ， +1 )的子模型,将这些子模`
``
`型的结果合并。`
``
```
```
* 转化为多个单标签二分类
* Binary Relevance 与 Classifier Chains区别
#### 2、算法适应性
```
```
``
`1、ML-kNN的思想：对于每一个实例来讲，先获取距离它最近的k个实例，然 后使用这些实例的标签集合，通过最大后验概率(MAP)来`
``
`断这个实例的 预测标签集合的值。`
``
`2、最大后验概率估计(MAP)贝叶斯估计 与 最大似然估计(MLE)区别？`
``
`答：最大后验概率(MAP)贝叶斯估计：其实就是在最大似然估计(MLE，样本划分目标属性Y的概率不是处处相等)中加入了这个要估`
``
`计量的先验概率分布(即样本划分目标属性Y的概率不是处处相等)。`
``
## 三、API的使用
#### 1、单标签多分类
#### 2、多标签多分类
```
```
``
``
```
```