本文探讨了神经网络在处理多标签分类问题时的概念和方法。与单标签分类不同，多标签问题允许每个样本拥有多个正确标签。针对这种情况，可以使用sigmoid激活函数替代softmax，通过设定阈值确定分类。在数据预处理时，标签通常转化为one-hot编码，并可以选择不同的损失函数，如binary_crossentropy。
笔记：神经网络多标签分类问题
一、概念
多标签和多分类的概念，多标签是针对样本而言的，指的是一个样本包含多个分类标签，比如，在做猫狗分类的时候，一张图像既包含猫咪，又包含狗狗，那么他就有两个标签；与之相对的为单标签，指的是该样本只包含一个标签；
而多分类是针对神经网络模型而言的，与之相对的为二分类，多于两个分类数，我们习惯上称之为多分类；指的是神经网络的类别数有多个；
神经网络的应用当中，分类问题是最简单的，通常针对单标签问题，不管它是几分类问题，我们都可以用softmaxt来计算每一个类别的概率值；
但是，针对多标签问题，很明显这样就不妥当了；因为神经网络是一个拟合标签向量的过程，理想状态下，输出值和标签相等，误差为0； 如果是一个多标签问题，目标值为 [1,1,0]；那么， 通过softmax可计算不出来这个结果，因为softmax计算方式是计算概率，确保了所有类别的和为1；
最低0.47元/天 解锁文章
扫一扫
1万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
