关于scikit-learn的multiclass下的分类理解

       最近在看一些sklearn中的分类方法，结合实际的生产应用有一些理解，记录下来，方便以后查阅。

       最基本的分类就是二分，也就是“非此即彼”。我们所熟知的SVM（支持向量机）就是用来解决这类问题的。但是实际应用中肯定不会这么简单，具体需求又大概分为两种多类别分类和多标签分类。多类别指的是类别数量大于1，每一条记录属于且只属于某一个类别，也就是彼此之间“非此即彼”，例如[人， 狗， 猫]。多标签分类则指的是每一条记录可以有多个标签来描述，记录与记录之间可以有重复的特征，例如[男人， 女人]。

通过实现sklearn的多标签分类发现，在贴完标签后，都会需要把类别标签Y矩阵进行转换，转换完的矩阵跟打点记录一样，似乎又跟多类别分类类似了。例如[1, 2, 3]， [1]，[4]，转换后的矩阵为[1,1,1,0],[1,0,0,0],[0,0,0,1]。

        另外，在实现分类的OneVsRestClassfier中，有多种函数可以用，需要多试试才能找到最适合的函数，具体根据自己的应用来定。

最后，关于分类策略的解释可以参考

        http://blog.sina.com.cn/s/blog_7103b28a0102w42v.html