分类问题的类型
分类是指对离散值结果的预测。通过本课的学习，你将详细了解这一概念。
分类问题的类型
在分类任务中，我们遇到的问题通常包含带有标签或类别标记的样本实例。例如，一个分类模型会学习已标注了特定类别的训练数据集中的潜在规律。分类问题主要包括以下几类：
二分类问题
在二分类问题中，数据样本被标记为两个类别之一。以下问题属于二分类的范畴：
-
图片中的动物被识别为猫或狗。
-
客户流失预测，即判断客户是否会继续使用或取消某项业务的订阅服务。
-
医学检测，用于判断一个人是否患有某种特定疾病。
有许多著名的分类模型常用于解决二分类问题。
多分类问题
在多分类问题中，数据样本被标记为两个以上的类别。以下示例属于多分类问题：
-
光学字符识别（OCR），将图像中的手写数字分类为0到9这十个数字中的某一类。
-
将某个城市的天气划分为干燥、炎热、寒冷或潮湿等类别之一。
-
人脸识别，即将某个人的脸部识别为一组人脸中的某一个身份。
原本为二分类设计的算法也可以通过一定策略扩展用于多分类问题。
常用的方法包括为每个类别与其他所有类别分别建立二分类模型，称为“一对多”（One-vs-Rest）；或者为每两个类别之间建立一个二分类模型，称为“一对一”（One-vs-One）。
一对多（One-vs-Rest / One-vs-All）：为每一个类别单独训练一个二分类模型，将其与其余所有类别区分开。
一对一（One-vs-One）：为每一对类别组合训练一个二分类模型。
多标签分类问题
多标签分类要求为每个样本预测多个标签。而多分类问题中每个样本仅对应一个标签，这是两者的关键区别。以下示例属于多标签分类问题：
-
一张图片可能包含多个物体，如汽车、飞机和火车，任务是预测图像中所有存在的标签。
-
对一个患者的数据实例，预测其可能患有的多种癌症类型。
传统的二分类或多分类算法不能直接用于多标签分类。可以采用专门改进的标准分类算法（即所谓的多标签版本算法），另一种方法是为每个标签单独训练一个分类器来进行预测。
不平衡分类问题
不平衡分类是指各类别的样本数量分布不均的分类任务。工业界大多数实际问题都涉及类别不平衡的情况。训练集中样本分布不均可能导致模型偏向于多数类，从而影响整体性能。以下示例属于不平衡分类问题：
-
包含黑色素瘤的皮肤病图像：在现实中，恶性病例的图像较少，而良性病例的图像较多。
-
欺诈检测场景：每天发生的交易绝大多数是正常的，欺诈交易占比极低，因此准确识别欺诈行为具有挑战性。
针对类别不平衡问题，可采用以下任一种技术来处理：
- 调整训练数据集中样本的构成，例如对多数类进行欠采样（undersampling），或对少数类进行过采样（oversampling）。
- 使用代价敏感的机器学习算法，在训练过程中更加关注少数类样本。
- 选用合适的评估指标来衡量模型性能，有助于发现并解决类别不平衡问题。
多输出多分类（多任务分类）
在多输出多分类或多任务分类中，单个分类器同时处理多个相关的分类任务。这种方法通过利用其他相关任务中的有用信息，缓解特定任务的数据稀疏问题，在深度学习领域应用广泛。
在自然语言处理中，常常联合学习多个任务，例如词性标注、语块划分、命名实体识别和语言建模等。这类问题属于多任务学习的范畴。