keras解决多标签分类问题

multi-class classification problem： 多分类问题是相对于二分类问题（典型的0-1分类）来说的，意思是类别总数超过两个的分类问题，比如手写数字识别mnist的label总数有10个，每一个样本的标签在这10个中取一个。

multi-label classification problem：多标签分类（或者叫多标记分类），是指一个样本的标签数量不止一个，即一个样本对应多个标签。

---

一般问题定义

一般情况下，假设我们的分类问题有5个标签，样本数量为n，数学表示为：

X={x1,x2,...,xn}Y={y1,y2,y3,y4,y5},其中yi∈{1,2,3,4,5} X = { x 1 , x 2 , . . . , x n } Y = { y 1 , y 2 , y 3 , y 4 , y 5 } , 其 中 y i ∈ { 1 , 2 , 3 , 4 , 5 }

我们用神经网络模型对样本建模，计算 P(cj|xi) P ( c j | x i ) ：样本 xi x i 的标签为 cj c j 的概率。模型的输出为：

y^i=argmaxj∈{1,2,3,4,5}P(cj|xi) y ^ i = arg ⁡ max j ∈ { 1 , 2 , 3 , 4 , 5 } P ( c j | x i )

现在我们用keras的Sequential 模型建立一个简单的模型：

from keras.layers import Input,Dense
from keras.models import Sequential

model = Sequential()
model.add(Dense(10, activation="relu", input_shape=(10,)))
model.add(Dense(5))

multi-class classification

对于多分类问题，接下来要做的是输出层的设计。在多分类中，最常用的就是softmax层。

softmax层中的softmax 函数是logistic函数在多分类问题上的推广，它将一个N维的实数向量压缩成一个满足特定条件的N维实数向。压缩后的向量满足两个条件：

• 像两种的每个元素的大小都在[0,1]
• 所有向量元素的和为1

因此，softmax适用于多分类问题中对每一个类别的概率判断，softmax计算公式：

Softmax(xi)=exi∑niexi S o f t m a x ( x i ) = e x i ∑ i n e x i

python 代码示例：

import numpy as np

def Softmax_sim(x):
    y = np.exp(x)
    return y/np.sum(y)

x = np.array([1.0,2.0,3.0,4.0,1.0])
print(Softmax_sim(x))
#输出：[ 0.03106277  0.08443737  0.22952458  0.6239125   0.03106277]

假设隐藏层的输出为[1.0,2.0,3.0,4.0,1.0]，我们可以根据softmax函数判断属于标签4

所以，利用keras的函数式定义多分类的模型：

from keras.layers import Input,Dense
from keras.models import Model

inputs = Input(shape=(10,))
hidden = Dense(units=10,activation='relu')(inputs)
output = Dense(units=5,activation='softmax')(hidden)

mulit-label classification

在预测多标签分类问题时，假设隐藏层的输出是[-1.0, 5.0, -0.5, 5.0, -0.5 ]，如果用softmax函数的话，那么输出为：

z = np.array([-1.0, 5.0, -0.5, 5.0, -0.5 ])
print(Softmax_sim(z))
# 输出为[ 0.00123281  0.49735104  0.00203256  0.49735104  0.00203256]

通过使用softmax，我们可以清楚地选择标签2和标签4。但我们必须知道每个样本需要多少个标签，或者为概率选择一个阈值。这显然不是我们想要的，因为样本属于每个标签的概率应该是独立的。

对于一个二分类问题，常用的激活函数是sigmoid函数：

σ(x)=11+e−x σ ( x ) = 1 1 + e − x

ps: sigmoid函数之所以在之前很长一段时间作为神经网络激活函数（现在大家基本都用Relu了），一个很重要的原因是sigmoid函数的导数很容易计算，可以用自身表示：

σ′(x)=σ(x)(1−σ(x)) σ ′ ( x ) = σ ( x ) ( 1 − σ ( x ) )

python 代码为：

import numpy as np

def Sigmoid_sim(x):
    return  1 /(1+np.exp(-x))

a = np.array([-1.0, 5.0, -0.5, 5.0, -0.5])
print(Sigmoid_sim(a))
#输出为： [ 0.26894142  0.99330715  0.37754067  0.99330715  0.37754067]

此时，每个标签的概率即是独立的。完整整个模型构建之后，最后一步中最重要的是为模型的编译选择损失函数。在多标签分类中，大多使用binary_crossentropy损失而不是通常在多类分类中使用的categorical_crossentropy损失函数。这可能看起来不合理，但因为每个输出节点都是独立的，选择二元损失，并将网络输出建模为每个标签独立的bernoulli分布。整个多标签分类的模型为：

from keras.models import Model
from keras.layers import Input,Dense

inputs = Input(shape=(10,))
hidden = Dense(units=10,activation='relu')(inputs)
output = Dense(units=5,activation='sigmoid')(hidden)
model.compile(optimizer='adam', loss='binary_crossentropy', metrics=['accuracy'])

参考

Guide To Multi-Class Multi-Label Classification With Neural Networks In Python

keras实践(一): multi-label神经网络

Softmax回归