多分類問題與多標記學習這2個概率很容易混淆，特別是2個概念放到一起時，還有就是當涉及對多分類問題使用多對多模型時，更容易頭暈，因此筆者在這裡簡單介紹一下2者相同和區別之處。
當分類是多分類（既k>2），可以把多分類問題靈活處理為普通的2分類問題，既不同類兩兩組合，如k=3時：
分類器的總個數為：k(k-1)/2=3,既從k個分類器總選擇2個。
分類器情況為（正類|負類）：（類1|類2），（類1|類3），（類2|類3）
一對其他模型是把其他分類看著負類，這樣能夠減少模型個數，一對一模型數為n(n-1)/2,而一對其他模型數為n。
分類器情況為（正類|其他類都為負類）：如k=3時，（類1|類2，類3），（類2|，類1，類3），（類3|類1，類2）
多對多模型是對一對其他模型的進一步改進，因為一對其他模型可能會遇到2個及以上分類器輸出為正的情況，此時，一對其他模型選擇概率最大的分類標籤給樣本，而多對多模型者把2個分類標籤都給樣本，這裡與多標記學習發生了重疊，前2個情況都比較好理解，一般情況下，我們預設討論前2個模型情況，即一對一，一對其他。只需記住這個特例就好。
多標記學習，也叫做多標籤學習。它是給一張賦予多個標記資訊。如下面的這張，它的標記可以為（樹，天空，人），
多分類問題與多標記學習相同點在於都是給樣本賦予某種標記資訊，特別是當多分類問題是多對多模型時， 多分類就可以包含多標記。
一般而言，多分類問題是選擇概率最大的分類標籤給樣本，就想以前考試做選擇題時，選擇最正確的一項給，既是單選題，而多標記學習則是多選題，選擇適合於樣本的標記資訊，既選擇適合的標記。既是多選題。
而從機器學習的角度來理解，多分類是具體的問題，多標記學習是學習框架，是一種通用的正規化，是對具體的抽象。
Tensorflow 多分類問題
import requests import numpy as np 複製 r requests.get 複製 with open iris.data w as f f.write r.text 複製 import pandas as pd 複製 data pd.read csv iris.data...
多分類學習
多分類學習的基本思路是拆解法，即將多個二分類任務拆為若干個二分類任務求解。具體地就是，先對問題進行拆分，然後為每個拆分的二分類任務訓練乙個分類器 在測試時，對這些分類器的 結果進行整合以獲得最終的多分類結果。關鍵 多分類任務如何拆分。經典的為 一對一 one vs one,ovo 一對多 one v...
機器學習 邏輯回歸 多分類問題
from sklearn.linear model import logisticregression 1 penalty 使用指定正則化項 預設 l2 2 dual n samples n features取false 預設 3 c 正則化強度，值越小正則化強度越大 4 fit intercept...