scikit learn中的OneVsRestClassifier和MultiOutputClassifier有什么区别？

Question

有人可以解释一下（可能有例子）scikit-learn 中OneVsRestClassifier 和MultiOutputClassifier 之间的区别是什么？

我已阅读文档并了解我们使用：

• OneVsRestClassifier - 当我们想要进行多类或多标签分类时，它的策略是为每个类拟合一个分类器。对于每个分类器，该类与所有其他类进行拟合。 （这很清楚，这意味着多类/多标签分类问题被分解为多个二元分类问题。
• MultiOutputClassifier - 当我们想要进行多目标分类时（这是什么？），它的策略包括为每个目标拟合一个分类器（什么是目标是什么意思？）

我已经使用 OneVsRestClassifier 进行多标签分类，我可以理解它是如何工作的，但后来我发现 MultiOutputClassifier 并且无法理解它与 OneVsRestClassifier 的工作方式有何不同。

Answer 1

这是@tonechas 答案的扩展。在阅读本文之前阅读该答案。仅当每个标签都是二进制标签/类（也称为二进制多标签）时，OVR 才支持多标签，即样本属于该标签或不属于该标签。当目标是多输出（也称为多类多标签）时，即当每个样本可以属于标签内的任何一个类时，它将不起作用。对于后一种情况，需要使用 sklearn 多输出分类器。

换句话说，当你的目标变量看起来像这样时，sklearn OVR 不起作用，

y_true = np.arr([[2, 1, 0],
                 [0, 2, 1],
                 [1, 2, 4]])

其中 label1 有 4 个类 [0, 1, 2, 3]； label2 有 3 个类 [0, 1, 2]； label3 有 5 个类 [0, 1, 2, 3, 4]。例如：第一个样本属于 label1 中的 2 类，label2 中的 1 类，label3 中的 0 类。 将其视为标签不互斥，而每个标签中的类互斥。

Sklearn OVR 将在何时工作，

y_true = np.arr([[0, 1, 1],
                 [0, 0, 1],
                 [1, 1, 0]])

其中 label1 labe2, label3 每个只有 2 个类。因此，样本要么属于该标签，要么不属于该标签。例如：第一个样本属于 label1 和 label2。

很抱歉，我找不到此类用例的真实示例。

Answer 2

多类分类

为了更好地说明差异，让我们假设您的目标是将 SO 问题分类为 n_classes 不同的互斥类。在这个例子中为了简单起见，我们只考虑四个类，即'Python'、'Java'、'C++'和'Other language'。假设您有一个仅由六个 SO 问题组成的数据集，这些问题的类标签存储在数组y 中，如下所示：

import numpy as np
y = np.asarray(['Java', 'C++', 'Other language', 'Python', 'C++', 'Python'])

上述情况通常称为多类分类（也称为多项式分类）。为了拟合分类器并通过 scikit-learn 库验证模型，您需要将文本类标签转换为数字标签。为此，您可以使用LabelEncoder:

from sklearn.preprocessing import LabelEncoder
le = LabelEncoder()
y_numeric = le.fit_transform(y)

这就是数据集标签的编码方式：

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。这通常称为二元分类。

多标签分类

现在让我们假设您希望使用n_classes 二元分类器池执行这种多类分类，n_classes 是不同类的数量。这些二元分类器中的每一个都会决定项目是否属于特定类别。在这种情况下，您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。考虑样本n 属于k 类。然后，指标矩阵的[n, k] 条目为1，n 行中的其余元素为0。重要的是要注意，如果类不是互斥的，则可以连续有多个1。这种方法被命名为多标签分类，可以通过MultiLabelBinarizer轻松实现：

from sklearn.preprocessing import MultiLabelBinarizer
mlb = MultiLabelBinarizer()
y_indicator = mlb.fit_transform(y[:, None])

指标如下所示：

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]])

以及1 实际是该数组索引的列号：

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）对特定的 SO 问题进行分类，该怎么办？在这种情况下，您打算进行多输出分类。为了简单起见，我将只考虑三个应用程序类，即'Computer Vision'、'Speech Processing'和'Other application'。您的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，此功能尚未在 scikit-learn 中实现，因此您需要编写自己的代码。 This thread 描述了一些巧妙的方法来做到这一点，但就本文而言，以下单行就足够了：

y_multi = np.vstack((le.fit_transform(y2[:, i]) for i in range(y2.shape[1]))).T

编码后的标签如下所示：

In [229]: y_multi
Out[229]: 
array([[1, 0],
       [0, 2],
       [2, 0],
       [3, 1],
       [0, 2],
       [3, 0]], dtype=int64)

并且可以从以下数组中推断出每一列中的值的含义：

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')