机器学习：线性模型-多分类任务拆分之纠错输出码ECOC浅析

我的小程序：

待办计划：给自己立个小目标吧！

多分类任务通常转化为多个二分类任务，再对预测结果进行集成得出最终分类结果。

拆分为二分类任务通常有3种：一对一（OvO）,一对其余（OvR）和多对多（MvM）。

OvO:

将N个类别两两配对，共N(N-1)/2个分类任务，每个分类任务一个类别作为正例，另一个作为反例，学习得到N(N-1)/2个分类器。新样本同时提交给所有分类器，得到N(N-1)/2个分类结果，把预测最多的类别作为最终结果。见下图：

OvR:

每次将一个类作为正例，其余所有类作为反例，训练N个分类器。新样本提交给所有分类器，若仅有一个分类器预测为正例，则该类标记作为最终结果，如上图。若有多个分类器标记为正例，则考虑预测置信度。

注：类别很多时，OvO的训练时间开销通常比OvR小（OvR每个分类器都使用全部样本）

MvM：

每次将若干个类别作为正例，其他作为反例，最常用“纠错错误码（ECOC）”，（ECOC编码对分类器错误有一定的容忍修正能力，即使某个分类器预测出错，也不一定会影响结果）

ECOC：

编码：将N个类别做M次划分，每次将一部分作为正例，其余作为反例，学习到M个分类器；

解码：新样本提交给M个分类器，得到M个结果，组成一个编码，将其和每个类别各自的编码进行比较，距离最小的类别作为最终结果。如下图：

图a中测试样例的编码和C3类的编码欧式距离最小，所以测试样本最终判定结果为C3类（采用欧式距离判别）

待办计划：给自己立个小目标吧！

 

参考资料：周志华《机器学习》