目录
1. 基本概念
-
2分类
分类任务有两个类别，每个样本属于两个类别中的一个，标签0/1.比如：训练一个图像分类器，判断一张输入图片是否是猫。
- 多分类
分类任务有n个类别，每个样本属于n个类别中的一个，每个样本有且只有一个标签。比如：新闻文本分类，每个样本/新闻只有一个主题标签，如：政治、经济、体育等。
- 多标签分类
分类任务有n个类别，每个样本属于n个类别中的若干个，每个样本有若干个标签。比如：新闻文本分类，每个样本/新闻可能有多个主题标签，如：一段新闻可能被同时认为是宗教、政治、金融或者教育相关话题。
2. 2分类问题
2分类问题输出层只有一个单元，并采用sigmoid损失函数(将输出转换为0-1之间的概率分布)和2分类交叉熵损失。
2. 多分类问题
多分类问题（
）一般有三种解决方案：
- 直接进行多分类
如使用神经网络模型时，调整输出层的单元数，当进行n分类时，设置输出层的单元数为n，采用softmax损失函数（把输出层整体转换为0-1之间的概率分布）+多分类交叉熵损失。
把标签转换为one-hot向量，每个样本的标签是一个n维向量，其所属类别位置为1，其余位置为0:
- one vs. all
每次选其中一个类别为正类，其余类别为负类。如果进行n分类的话，则训练n个2分类器。测试时，将新样本喂给n个2分类器，每个2分类器的输出是当前类为正类的置信度，选择置信度最大的类别。
- one vs. one
每次从所有类别中选择两个类别，如果进行n分类的话，则训练
个2分类器。测试时，将新样本喂给这些2分类器，采用多数投票原则，哪个类别得票最多(出现次数最多)，则把新样本归为哪个类别。
3. 多标签分类问题
每个样本有多个类别标签，并且每个样本对应的标签数量是不固定的。
把多标签问题转换为每个标签上的2分类问题。输出层采用sigmoid**函数（把每个输出单元转换为0-1之间的概率分布）+2分类交叉熵损失。
把标签转换为multi-hot向量，每个样本的标签是一个n维向量，其所属类别位置为1，其余位置为0:
