OneVsRestClassifier和MultiOutputClassifier在scikit学习中有什么区别？
请有人解释一下(例如，也许)什么是科学知识中的，OneVsRestClassifier和MultiOutputClassifier之间的区别？
我读过文档，我理解我们使用：
- OneVsRestClassifier -当我们想要进行多类或多标签分类时，它的策略包括拟合每类一个分类器。对于每个分类器，类与所有其他类相匹配。(这很清楚，这意味着多类/多标签分类问题被分解为多个二进制分类问题)。
- MultiOutputClassifier -当我们想做多目标分类时(这是什么？)它的策略包括拟合每个目标的一个分类器(目标在那里意味着什么？)
我已经将OneVsRestClassifier用于多标签分类，我可以理解它是如何工作的，但是我找到了MultiOutputClassifier，无法理解它是如何与OneVsRestClassifier不同的。
回答 3
Stack Overflow用户
发布于 2017-03-23 13:48:39
多类分类
为了更好地说明这些差异，让我们假设您的目标是将所以的问题分类为不同的、相互排斥的类。为了简单起见，在这个示例中，我们只考虑四个类，即'Python'、'Java'、'C++'和'Other language'。让我们假设您有一个由6个SO问题组成的数据集，这些问题的类标签存储在一个数组y中，如下所示：
import numpy as np
y = np.asarray(['Java', 'C++', 'Other language', 'Python', 'C++', 'Python'])上面描述的情况通常称为多类分类(也称为多项式分类)。为了对分类器进行拟合，并通过scikit学习库对模型进行验证，需要将文本类标签转换成数字标签。要做到这一点，您可以使用LabelEncoder
from sklearn.preprocessing import LabelEncoder
le = LabelEncoder()
y_numeric = le.fit_transform(y)数据集的标签是这样编码的：
In [220]: y_numeric
Out[220]: array([1, 0, 2, 3, 0, 3], dtype=int64)其中，这些数字表示以下数组的索引：
In [221]: le.classes_
Out[221]:
array(['C++', 'Java', 'Other language', 'Python'],
dtype='|S14')一个重要的特殊情况是只有两个类，即n_classes = 2。这通常被称为二进制分类。
多标号分类
现在让我们假设您希望使用n_classes二进制分类器池执行这样的多类分类，即n_classes --不同类的数量。这些二进制分类器中的每一个都决定一个项是否属于特定的类。在这种情况下，不能将类标签编码为从0到n_classes - 1的整数，您需要创建一个二维指示矩阵。假设示例n属于k类。然后，指示矩阵的[n, k]条目是1，行n中的其余元素是0。需要注意的是，如果类不是互斥的，那么一行可以有多个1。这种方法名为多标签分类，可以通过MultiLabelBinarizer轻松实现。
from sklearn.preprocessing import MultiLabelBinarizer
mlb = MultiLabelBinarizer()
y_indicator = mlb.fit_transform(y[:, None])指标如下：
In [225]: y_indicator
Out[225]:
array([[0, 1, 0, 0],
[1, 0, 0, 0],
[0, 0, 1, 0],
[0, 0, 0, 1],
[1, 0, 0, 0],
[0, 0, 0, 1]])1的列数实际上是这个数组的索引：
In [226]: mlb.classes_
Out[226]: array(['C++', 'Java', 'Other language', 'Python'], dtype=object)多输出分类
如果您想同时根据两个不同的标准，例如语言和应用程序，对一个特定的SO问题进行分类，该怎么办？在这种情况下，您打算执行多输出分类。为了简单起见，我只考虑三个应用程序类，即'Computer Vision'、'Speech Processing‘和'Other application’。数据集的标签数组应该是二维的：
y2 = np.asarray([['Java', 'Computer Vision'],
['C++', 'Speech Recognition'],
['Other language', 'Computer Vision'],
['Python', 'Other Application'],
['C++', 'Speech Recognition'],
['Python', 'Computer Vision']])同样，我们需要将文本类标签转换为数字标签。据我所知，这个功能还没有在scikit中实现，所以您需要编写自己的代码。这个帖子描述了一些聪明的方法来实现这一点，但是为了本文的目的，下面的一行应该足够了：
y_multi = np.vstack((le.fit_transform(y2[:, i]) for i in range(y2.shape[1]))).T编码的标签如下所示：
In [229]: y_multi
Out[229]:
array([[1, 0],
[0, 2],
[2, 0],
[3, 1],
[0, 2],
[3, 0]], dtype=int64)可以从以下数组推断每列中的值的含义：
In [230]: le.fit(y2[:, 0]).classes_
Out[230]:
array(['C++', 'Java', 'Other language', 'Python'],
dtype='|S18')
In [231]: le.fit(y2[:, 1]).classes_
Out[231]:
array(['Computer Vision', 'Other Application', 'Speech Recognition'],
dtype='|S18')Stack Overflow用户
发布于 2021-01-05 21:00:12
这是@tonec已有答案的分机。在读这篇文章之前先读一下答案。OVR只支持当每个标签是一个二进制标签/类(也称为二进制多标签)，即要么样本属于该标签，要么不支持。当目标是多输出时(也称为多类多标签)，即当每个样本可以属于标签中的任何一个类时，它就不能工作了。对于后一种情况，您需要使用sklearn多输出分类器。
换句话说，当目标变量如下所示时，sklearn不起作用，
y_true = np.arr([[2, 1, 0],
[0, 2, 1],
[1, 2, 4]])其中label1有4类0，1，2，3；label2有3类0，1，2；label3有5类0，1，2，3，4。认为它是不相互排斥的标签，而每个标签中的类是互斥的。
史考特·奥VR会在
y_true = np.arr([[0, 1, 1],
[0, 0, 1],
[1, 1, 0]])在label1 labe2中，label3每个只有2个类。因此，一个示例要么属于该标签，要么不属于。例如:第一个示例属于label1和label2。
很抱歉，我找不到这种用法的真实世界的例子。
Stack Overflow用户
发布于 2022-04-19 13:13:08
对此有什么答案吗？接受的答案只是简单地描述了这些概念，但实际上并没有明确地解决OP的问题“sklearn的OneVsRestClassifier类和MultiOutputClassifier类之间的区别是什么？”
我认为这个问题的作者自己回答了
MultiOutputClassifier -当我们想做多目标分类时(这是什么？)它的策略包括每个目标拟合一个分类器(目标在那里意味着什么？)
目标是Y (依赖变量)
P.S. MultiClass或MultiLabel --意思是“多”-nominal features，被认为是独立的X。(分别在多进行或feature_columns.count>1中)
p.p.s.我想在sklearn图书馆内部，每个目标都有一个单独的培训(适合)--关于作者的引文。
https://stackoverflow.com/questions/42819460
复制相似问题
腾讯云开发者
