1、多標簽分類
有些情況，會想讓你的分類器給一個樣例輸出多個類別。比如思考一個人臉識別器，並識別出這個是誰。這就需要對於同一張圖片，首先識別出有幾個人，並給識別出的人貼上標簽。這就是多個二值標簽的分類系統被叫做多標簽分類系統。
現在，我們打算使用MNIST數據做一個是否為大數字（大於6）、是否為奇數的多標簽分類。
from sklearn.neighbors import KNeighborsClassifier knn_clf = KNeighborsClassifier() y_train_large = (y_train>=7) y_train_odd = (y_train % 2 == 1) y_multilabel = np.c_[y_train_large,y_train_odd] knn_clf.fit(X_train,y_multilabel)
knn_clf.predict([some_digit])
數字5不是大數（False）但是一個奇數（True）
有許多方法去評估一個多標簽分類器，和選擇正確的量度標准，這取決於你的項目。舉個例子，一個方法是對每個個體標簽去量度 F1 值（或者前面討論過的其他任意的二分類器的量度標准），然后計算平均值。下面的代碼計算全部標簽的平均 F1 值：
y_train_knn_pred = cross_val_predict(knn_clf,X_train,y_train,cv=3) f1_score(y_train,y_train_knn_pred,average='macro')
上面假設所有標簽有着同等的重要性，但可能不是這樣。如果想讓某個標簽具有更大的權重，一個簡單的做法就是給每一個標簽的權重等於他的支持度（比如，那個標簽的樣例的數目）。為了做到這點，可簡單的在上面代碼中設置average= “weighted”
2、多輸出分類
分類任務“多輸出-多類分類”（或者稱為多輸出分類）。它是多標簽分類的簡單泛化，在這里每一個標簽可以是多類別的（比如說，可以有多個可能值）
我們將建立一個系統，它可以去除圖片中的噪音。它將有一張混有噪音的圖片作為輸入，期待他能夠輸出一個干凈的數字圖片，用一個像素強度的數組表示，注意這個分類器的輸出是多標簽的（一個像素一個標簽）和每個標簽可以偶多個值（像素強度取值范圍從0到255）。所以他是一個多輸出分類系統
從MNIST的圖片創建訓練集和測試集開始，然后給圖片的像素強度添加噪聲。目標圖像是原始圖像
noise =np.random.randint(0,100,(len(X_train),784)) X_train_mod = X_train + noise noise = np.random.randint(0,100,(len(X_test),784)) X_test_mod = X_test + noise y_train_mod = X_train y_test_mod = X_test
some_index = 5500 plt.subplot(121);plot_digit(X_test_mod[some_index]) plt.subplot(122);plot_digit(y_test_mod[some_index]) plt.show()
knn_clf.fit(X_train_mod, y_train_mod) clean_digit = knn_clf.predict([X_test_mod[some_index]]) plot_digit(clean_digit)
