如何通過融合解決多標簽分類(MLC)問題.這里給了兩個的方案:

SST

與大多數機器學習模型一樣,這里的目標是構造一個將輸入映射到輸出的函數,在這種情況下，輸出將是一組向量.單一目標(ST)考慮m個單一模型來預測多標簽。此外，還引入了stack的方式(SST)提高效果。SST有兩個預測階段。在第一階段，用m個模型預測m個目標。在后一階段，通過變換訓練集D，為每個目標學習一組m'元模型。在變換后的訓練集中，它使用輸出空間的估計值。

ERC

這里需要注意的是,訓練的時候我們依賴的是真實標簽Y1,...,Ym-1，因為我們已經有了真實值，但對于預測，ERC必須依賴于估計值。但作為ML中的一個假設，輸入和輸出變量應該是獨立的。為了解決這個問題，在訓練中拆除了一部分樣本用于訓練,并對估計值進行了k-折疊交叉驗證，并將其用于訓練部分,代碼見參考資料。

• Multi-target regression via input space expansion: treating targets as inputs
• Binary relevance efficacy for multilabel classification. Progress in Artificial Intelligence
• Classifier chains for multi-label classification. Machine Learning
• https://github.com/samanemami/ERC/blob/main/Examples/training_erc.py

總結

以上是生活随笔為你收集整理的关于多目标任务有趣的融合方式的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。