多标签分类问题

有关多标签的分类问题，有很多相应的代码，适合不懂的初学者去学习

概率分类器链（PCC）算法解决了多标签分类问题。 有关更多信息，请参见：KrzysztofDembczyński，Weiwei Cheng，EykeHüllermeier，通过概率分类器链进行的贝叶斯最优多标签分类。 ICML 2010：279-286

目前有很多关于多标签的学习算法，依据解决问题的角度，这些算法可以分为两大类：一是基于问题转化（Problem Transformation）的方法，二是基于算法适应的方法和算法适应方法（Algorithm Adaptation）。基于问题转化的多标记分类是转化问题数据，使之适用现有算法；基于算法适应的方法是指针对某一特定的算法进行扩展，从而能够直接处理多标记数据，改进算法，适应数据。

不平衡的MLC 对于单标签分类（SLC）问题，已经对不平衡数据集对分类模型的有效性的影响进行了彻底和广泛的研究。 这些问题需要二进制分类输出来预测给定输入实例中单个类的存在。 在多标签分类（MLC）的域中，单个输入实例可能具有与其关联的多个类。 由于这种固有的标签并发性，应用于单标签分类问题的许多数据集不平衡补救措施在应用于多标签数据集（MLD）时均无效且可能有害。 例如，最常见的SLC不平衡补救措施之一是随机过采样。 也就是说，随机复制具有不常见标签的实例。 如果将这种幼稚的方法应用于MLD，我们很可能会复制在输入实例中同时存在的不想要的标签，甚至可能加剧数据集失衡的严重性。 这是对不平衡的多标签分类数据集上几种最新方法功效的实证分析。 实验装置 在我们的实验中，我们使用2017 Pascal VOC图像数据库，该数据库使用自定义的90％/ 10％火车/ Val数据集拆分，手动分区提

此为多示例多标签的多标注的代码，实现平台是matlab