有哪些多分类学习方法，其拆分集成策略分别是什么？

•  

  1. OvO

     • 拆分策略：将多个标签拆分两两成对的基评估器。
     • 集成策略：将新数据代入，计算在二分类的基评估器下，模型更倾向对哪个标签进行投票，汇总所有基评估器的结果，投票数量最多的为最终标签。
     • 基评估器数量：需要的基评估器数量为

  2. OvR

     • 拆分策略：将多个标签分为01标签，得到标签数量个基评估器。
     • 集成策略：将新数据带入基评估器，最终得到1的基评估器对应的标签为预测结果。如果有多个标签为1的基评估器，则根据基评估器本身的准确率来判断。
     • 基评估器数量：为标签数量N

  3. MvM

     • 拆分策略：将任意数量标签划分为1，其他划分为-1，最多标签数量为，得到数据在所有基评估器上的编码。
     • 集成策略：将新数据带入基评估器，得到新的编码，对比与之前标签编码的差异，选择差异最小的编码对应的标签为预测结果。
     • 如何计算编码差异大小：

       • 欧几里德距离：

       • 街道距离：

       • 闵可夫斯基距离：

         def dist(x,y,cat=2):
             """
             计算闵可夫斯基距离
         	cat:数组中数的数量，默认计算欧氏距离
             """
             d=np.abs(x-y)
             if x.ndim>1 or y.ndim>1:       # 多维数组情况下
                 res=np.power(np.power(d,cat).sum(1),1/cat)
             else:                          # 二维数据情况下
                 res=np.power(np.power(d,cat).sum(),1/cat)
             return res
         
         x=np.array([2,2])
         y=np.array([2,3])
         dist(x,y)