多分类#

多分类（Multi-class Classification） 可以看作是把二分类（Binary Classification）扩展到多于两个类别的情形。如果每个样本只能被分到某一个类别，那么分类问题就可以被处理为一系列二分类问题：其中一类包含原多类别中的某一类，另一类把剩下的所有类别合并在一起。然后再对原多类别中的每一个类别重复这个过程。

例如，在一个标签为 A、B、C 的三分类问题中，可以把问题拆成两个独立的二分类问题。先训练一个二分类器，把样本分为「A+B」与「C」两类；再训练另一个二分类器，对那些被标为「A+B」的样本再做一次分类，分成 A 与 B 两类。

更过相关内容介绍可以参见文章「逻辑回归多分类任务：Softmax 扩展与实战思路」中的讲解内容。

多分类的一个典型例子是手写数字分类器：它接收一张手写数字的图像，然后判断图像代表的是 0–9 中的哪一个数字。

如果类别归属并不互斥——也就是说，一个样本可以被同时分到多个类别——那么这类问题被称为多标签分类（Multi-label Classification） 问题。

例如在文本分类这一场景中，同一条文本可能会涉及到“体育”、“娱乐”等多个类别标签。相关内容参见文章「多标签分类损失函数：Sigmoid交叉熵与绝对匹配率评估」的介绍。

多分类将在后续神经网络模块的「多分类神经网络」 一节中有更深入的讲解。

关键术语：

• 二分类（Binary Classification）