11、机器学习分类与回归模型深度解析

机器学习分类与回归模型深度解析

分类模型相关知识

3和5分类问题

在数字分类中，3和5的主要区别在于连接顶线和底弧的小线条的位置。若绘制3时，连接处稍微左移，分类器可能会将其分类为5，反之亦然。这表明该分类器对图像的平移和旋转较为敏感。为减少3和5的分类混淆，可以对图像进行预处理，确保图像居中且旋转角度不过大，这可能也有助于减少其他错误。

多标签分类

以往每个实例通常只被分配到一个类别，但在某些情况下，我们希望分类器为每个实例输出多个类别。例如，人脸识别分类器在一张图片中识别出多个人时，应为每个识别出的人添加一个标签。这种输出多个二元标签的分类系统称为多标签分类系统。

下面是一个简单示例：

from sklearn.neighbors import KNeighborsClassifier
# 假设 y_train 是训练集标签
y_train_large = (y_train >= 7)
y_train_odd = (y_train % 2 == 1)
import numpy as np
y_multilabel = np.c_[y_train_large, y_train_odd]
knn_clf = KNeighborsClassifier()
knn_clf.fit(X_train, y_multilabel)

上述代码为每个数字图像创建了一个包含两个目标标签的 y_multilabel 数组：第一个标签表示数字是否为大数字（7、8或9），第二个标签表示数字是否为奇数。