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）；XGBoost） 

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。

•        多标签多分类问题 

•        转化为多个单标签二分类 

•       Binary Relevance 与 Classifier Chains区别

---------------------------------------------------------------------------------------------
• Binary Relevance方式的优点如下： 
    • 实现方式简单，容易理解； 
    • 当y值之间不存在相关的依赖关系的时候，模型的效果不错。 
• 缺点如下： 
    • 如果y直接存在相互的依赖关系，那么最终构建的模型的泛化能力比较 弱； 
    • 需要构建q个二分类器，q为待预测的y值数量，当q比较大的时候，需 要构建的模型会比较多。
---------------------------------------------------------------------------------------------
• Classifier Chains方式的优点如下： 
    • 实现方式相对比较简单，容易理解； 
    • 考虑标签之间的依赖关系，最终模型的泛化能力相对于Binary Relevance方 式构建的模型效果要好。 
• 缺点如下： 
    • 很难找到一个比较适合的标签依赖关系。
---------------------------------------------------------------------------------------------
• Calibrated Label Ranking 方式的优点如下： 
    • 考虑了标签两两组合的情况，最终的模型相对来讲泛化能力比较好。 
• 缺点如下： 
    • 只考虑两两标签的组合，没有考虑到标签与标签之间的所有依赖关系。

     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

from sklearn.multiclass import OneVsRestClassifier,OneVsOneClassifier,OutputCodeClassifier

class sklearn.multiclass.OneVsRestClassifier(estimator, n_jobs=1)
'''
        estimator             ------- 子模型
        n_jobs=1              ------- CPU使用
'''

class sklearn.multiclass.OneVsOneClassifier(estimator, n_jobs=1)

class sklearn.multiclass.OutputCodeClassifier(estimator, code_size=1.5, random_state=None, n_jobs=1)

  2、多标签多分类

from sklearn.multiclass import XXX

class sklearn.multioutput.MultiOutputClassifier(estimator, n_jobs=1)     ----- 没有依赖关系的多标签多分类

class sklearn.multioutput.MultiOutputRegressor(estimator, n_jobs=1)