摘要:本文主要向大家介绍了机器学习入门之机器学习:线性模型-多分类任务拆分之纠错输出码ECOC浅析,通过具体的内容向大家展现,希望对大家学习机器学习入门有所帮助。
本文主要向大家介绍了机器学习入门之机器学习:线性模型-多分类任务拆分之纠错输出码ECOC浅析,通过具体的内容向大家展现,希望对大家学习机器学习入门有所帮助。
多分类任务通常转化为多个二分类任务,再对预测结果进行集成得出最终分类结果。
拆分为二分类任务通常有3种:一对一(OvO),一对其余(OvR)和多对多(MvM)。
OvO:
将N个类别两两配对,共N(N-1)/2个分类任务,每个分类任务一个类别作为正例,另一个作为反例,学习得到N(N-1)/2个分类器。新样本同时提交给所有分类器,得到N(N-1)/2个分类结果,把预测最多的类别作为最终结果。见下图:
OvR:
每次将一个类作为正例,其余所有类作为反例,训练N个分类器。新样本提交给所有分类器,若仅有一个分类器预测为正例,则该类标记作为最终结果,如上图。若有多个分类器标记为正例,则考虑预测置信度。
注:类别很多时,OvO的训练时间开销通常比OvR小(OvR每个分类器都使用全部样本)
MvM:
每次将若干个类别作为正例,其他作为反例,最常用“纠错错误码(ECOC)”,(ECOC编码对分类器错误有一定的容忍修正能力,即使某个分类器预测出错,也不一定会影响结果)
ECOC:
编码:将N个类别做M次划分,每次将一部分作为正例,其余作为反例,学习到M个分类器;
解码:新样本提交给M个分类器,得到M个结果,组成一个编码,将其和每个类别各自的编码进行比较,距离最小的类别作为最终结果。如下图:
图a中测试样例的编码和C3类的编码欧式距离最小,所以测试样本最终判定结果为C3类(采用欧式距离判别)
本文由职坐标整理并发布,希望对同学们有所帮助。了解更多详情请关注职坐标人工智能机器学习频道!
您输入的评论内容中包含违禁敏感词
我知道了
请输入正确的手机号码
请输入正确的验证码
您今天的短信下发次数太多了,明天再试试吧!
我们会在第一时间安排职业规划师联系您!
您也可以联系我们的职业规划师咨询:
版权所有 职坐标-一站式IT培训就业服务领导者 沪ICP备13042190号-4
上海海同信息科技有限公司 Copyright ©2015 www.zhizuobiao.com,All Rights Reserved.
沪公网安备 31011502005948号