一元分类、二元分类、多类分类、多标签学习

unary classification -- 一元分类

维基百科中的定义是：一类分类，即一元分类，通过仅包含该类的对象的训练数据中学习，试图能够在所有对象中识别该特定类的对象。

one-class classification是由[Moya & Hush][1]在1996年提出的，目前已有很多这方面的研究。一个类似的问题是PU Learning，后者是以半监督的学习方式从正类样本和未标记样本中学习，建立二元分类器。

binary classification --二元分类

二元分类是监督学习中分类问题的基本应用。监督学习通俗来讲就是训练集拥有正确的标签，例如你想根据房子的尺寸、卧室数等特征预测房价，那么你的训练集中除了有房子的特征以外，还得有这些房子的实际交易价格。与监督学习相对的是无监督学习，无监督学习中的训练集没有正确的标签，就好像你扔给了计算机一大堆数据，让计算机自己去学着找出里面有用的信息。监督学习中主要分为二类模型，回归和分类。生活中有许多二元分类的应用，例如你收到一封邮件，你想判断它是否是垃圾邮件？或者在银行的业务中，银行需要判断是否贷款给某个客户？

multi-label classification -- 多标签学习

Multi-label classification is a classification problem where multiple target labels must be assigned to each instance. -- Wikipedia

多标签学习与另外一个工作有强相关的联系——（multi-output classification）多输出学习(?)。另外，一定要与multi-class classification区分开。前者是指一个样本一般所属不仅仅是一个类别，它的输出一般是一个向量（010110，属于第2，4，5类）；而后者一个样本只属于一个类。有两种方法解决这类问题：一类是problem transformation methods（即吧问题转换成二元分类问题，然后用上面所说的一元分类器来解决），一类是problem adaption methods。

multi-class classification -- 多类分类

终于到了我们的leading role。
In machine learning, multiclass or multinomial classification is the problem of classifying instances into one of the more than two classes(classifying instances into one of the two classes is called binary classification). -- Wikipedia

维基中的定义是：多类学习是指将样本从超出两个类的可能类别中分入一个类中。