前言

最近在讀論文的的過程中接觸到多標簽分類(multi-label classification)的任務，必須要強調的是多標簽（multi-label）分類任務 和 多分類(multi-class)任務的區別：

• 多標簽分類任務指的是一條數據可能有一個或者多個標簽，舉個例子：比如一個病人的體檢報告，它可能被標記上，高血壓，高血糖等多個標簽。
• 多分類任務指的是一條數據只有一個標簽，但是標簽有多種類別。機器學習中比較經典的iris鳶尾花數據集就是標準的多分類任務，一條數據喂給模型，模型需判斷它是3個類別中的哪一個。

這里博主強調一下多標簽分類任務的兩個特點：

• 類別標的數量是不確定的，有些樣本可能只有一個類標，有些樣本可能存在多個類別標簽。
• 類別標簽之間可能存在相互依賴關系，還是拿我上述的例子來說：如果一個人患有高血壓，他有心血管疾病的概率也會變大，所以高血壓這個label和心血管疾病的那些labels是存在一些依賴關系的。

多標簽分類算法簡介

多標簽分類算法比較常用的有ML-KNN、ML-DT、Rank-SVM、CML等。我就不多介紹這些基于傳統機器學習的方法，感興趣的同學可以自己去研究。這里主要介紹如何采用深度學習模型做多標簽分類任務，首先我們必須明確一下多標簽分類模型的輸入和輸出。

模型輸入輸出

假設我們有一個體檢疾病判斷任務：通過一份體檢報告判斷一個人是否患有以下五種病：有序排列——[高血壓?

總結

以上是生活随笔為你收集整理的深度学习核心技术精讲100篇（七）-keras 实战系列之深度学习模型处理多标签（multi_label）的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。