【MachineLearning】多分类与多标签算法(Multiclass and multilabel algorithms)的定义与区别
@(Machine Learning)
本文基于Sk-learn的官方文档：
http://scikit-learn.org/stable/modules/multiclass.html#classifier-chain
本文总结下该文档，并给出自己的一些理解和解释，希望能帮助到需要的人。
首先是四类类问题：多类别问题（Multiclass classification）、多标签问题（Multilabel classification）、多输出回归问题（Multioutput regression）、多任务问题（Multioutput-multiclass classification and multi-task classification）
推荐一篇讲的很清楚的博客：
https://blog.csdn.net/golden1314521/article/details/51251252
- 多类别问题：表示超过2个类别的分类问题，比如：一个人是男和女就是是个二分类问题，多分类问题是在二分类的问题基础上面增加类别，比如一个水果，是梨、苹果还是橙子。此类问题是建立在一个样本只属于一个类别的假设基础上的。
- 多标签问题：这类问题的目的是给每一个样本添加一系列的目标标签。和多分类问题的重要区别就是：每一个标签并非是互斥的。比如一个话题，它可以是政治、金融、教育的，可以是政治、金融的、也可以是教育的、当然也可以不属于上述任何一个内容的。
- 多输出回归问题：可以看出是一个样本的多个回归问题，为一个样本的多个属性预测目标值，比如预测一个位置的温度、湿度等。
- 多任务问题：我的理解是多分类问题的多标签版本。比如上述多标签问题的例子：一个话题，它可以是政治、金融、教育的，三个子问题是三个二分类：这个话题是或不是政治、是或不是金融、是或不是教育的。多任务分类就是把子问题扩展为多分类问题。比如：一个学生，数学分为ABC三个等级、语文分为ABC三个等级、英语分为ABC三个等级，要预测一个学生的语数英是AAA、AAB、BAC等级别就是一个多任务分类问题。这里的数学、语文、英语就是label、ABC就是class。
关于多类别问题、多标签问题和多任务问题的关系，上述提到的博客中有一张很好的图：