---
tags: multilabel
---
# Multilabel
Multilabel函式庫: Scikit-learn -> [scikit-multilearn](http://scikit.ml/index.html)
:::info
Multilabel(多標籤): 多個類別，且每筆資料可被標註成一個或多個不同的類別。
Multiclass(多類別): 多個類別，但每筆資料只分配到其中一個類別。
:::
## 解決Multilabel問題的技術
1. 問題轉換: 把多標籤問題轉為單標籤問題。
- 二元關聯 (Binary Relevance): 因為單獨處理每個目標變量，所以缺點是不考慮標籤的相關性。
- 分類器鏈 (Classifier Chains): 基於原有的輸入和先前的分類結果，所以保有標籤相關性。若比二元關聯低，則代表之間可能沒有標籤相關性。
- 標籤Powerset (Label Powerset): 將問題轉話為一個多分類問題，把每一個可能的標籤組合提供了一個獨特的類。但缺點是會隨著標籤組合的增加，而提升模型複雜度。

2. 改編算法: 提供各式演算法改編成多標籤版本(如: kNN -> MLkNN)。
3. Ensemble: Scikit-Multilearn 提供不同的組合分類功能。

## 參考資料
[問題轉換](http://www.atyun.com/5376.html)