多标签分类算法的研究进展

1. 机器学习中的分类问题

    在机器学习方向的相关研究中，分类问题可以被分为二分类问题、多分类问题及多标签分类问题。二分类问题即二元分类问题，其中某个样本只有“属于”或 “不属于”这一类两种情况；也可以称之为“0/1”分类，属于这一类即为“1”， 不属于即为“0”。

    多分类问题也可称为多类别分类问题，即一个样本属于且仅属于多个类（一般多于两类）中的一个，其中一个样本只能属于一个类，不同类之间是互斥的。二分类问题及多分类问题可以统称为单标签分类问题。

    多标签分类问题又称多标记学习，不同于多分类问题，在多标签分类问题中一个样本可以属于多个类别（或标签），不同类（或标签）之间是有关联的。拿一个“篮球颜色”的问题举例，二分类问题即为“篮球 A 是红色/不是红色”，多分类问题即为“篮球 A 是红色、橙色或者黄色”，多标签分类问题即为“篮球 A 是‘红 色+橙色’，篮球 B 是‘红色+黄色’，篮球 C 是‘红色+橙色+黄色’”。 上述三种分类问题的描述可以更清楚地通过图 1-1 展示。

2. 多标签分类算法的研究进展

    算法适应、问题转换和多标签分类器集成的方法（Ensembles of Multi-label Classifier, EMLC）是多标签分类模型（Multi-label Classification, MLC）的三种主要类型。

    算法适应方法利用多种算法将单标签学习模型转化为多标签学习模型，从而 用于解决多标签学习任务。算法适应方法的典型模型是多标签 k 近邻算法（Multilabel k-Nearest Neighbor, ML-kNN）。对于一个给定的新样本，ML-kNN 算法首 先在训练集中找到最接近它的前 k 个样本并计算这些样本中的标签数量，最后通过最大后验估计得到标签的预测概率。