基本思路
多分类学习的基本思路是“拆解法”,即将多分类任务拆分成若干个二分类任务求解。
考虑n个类别,C1,C2, C3,…, Cn,给定数据集D={(x1,y1), (x2,y2), (x3,y3),…, (xm,ym)},yi∈{C1,C2,C3,…,Cn}
OvO(一对一)
将n个类别两两配对,产生n(n-1)/2个二分类任务,获得n(n-1)/2个分类器,新样本交给这些分类器,得到n(n-1)/2个结果,最终结果投票产生。
OvR(一对其余)
每次将一个类作为正例,其余n-1个类作为反例。可训练出n个分类器,在测试时,若仅有一个分类器预测为正类,则对应的类别标记作为最终分类结果。若有多个分类器预测为正类,则通常考虑各分类器的预测置信度,选择预测置信度最大的类别标记作为分类结果。
类别多时,OvO的训练时间开销通常比OvR小。
MvM(多对多)
每次将若干个类作为正类,若干个其他类作为反类。显然,OvO,OvR是MvM的特例。
MvM的正、反类构造须有特殊的设计,不能随意选取。最常用的MvM技术:“纠错输出码”(ECOC),将编码的思想引入类别拆分,并尽可能在解码过程中具有容错性。
ECOC主要分为两步:
- 编码:对n个类别做M次划分,每次划分将一部分类别划为正类,一部分划为反类,从而形成一个二分类训练集,这样一共产生M个训练集,可训练出M个分类器;
- 解码:M个分类器分别对测试样本进行预测,这些预测标记组成一个编码,将这个预测编码与每个类别各自的编码进行比较,返回其中距离最小的类别作为最终预测结果。