マルチラベル分類問題は，多クラス分類と同様に，クラスのとりうる値の数（定義域の大きさ）が3以上．しかし，通常の多クラス分類では，各事例はどれか一つのクラスに分類される．一方，マルチラベル分類では，一つの事例が複数のクラスに同時に分類されうる．
例えば，Webページを分類を考えたとき，機械学習について書かれたページを「機械学習」と「統計」の両方のクラスに同時に分類する．
クラスの定義域を \(\mathcal{C}\) とすると，多クラスの訓練事例は \((c_i\in\mathcal{C},\mathbf{x_i})\) の形式だが，マルチラベルでは定義域の部分集合を使った \((C\subseteq\mathcal{C},\mathbf{x}_i)\) の形式．
文献1で照会された問題を変換する方法を紹介
- binary relevance：あるラベルがあるかないかの複数の2値問題に変換
- single label learning：複数付いているラベルの一つのラベルだけを残し他は無視．各ラベルの付く度合いで順位付け．
- copy and copy weight：2個ラベルがついた事例があったら，二つにコピーして，それぞれの重みを1/2ずつにする
- ranking by pairwise comparison：二つのラベルを考えて，一方だけが付く場合に正負のラベルを各事例について考える．
- calibrated label ranking：pairwise comparisonに加え，ラベル付けの順位を扱える目的で，二値の仮想ラベルを加える．
- label power set：ラベルのあり・なしをビット列で表し，\(2^n\)個（\(n\) はラベル数）のラベル集合に変換
- pruned set：label power set で低頻度のラベルの組み合わせを無視する改良
- random k-labelsets：大きなラベル集合を複数の集合にわけ，それぞれをlabel power setで解く
- ensembles of pruned sets：いろいろなpruneの仕方でアンサンブル
その他，マルチラベル専用に既存アルゴリズムを拡張した手法も多数ある．
上記のような変換を組み込む方法の他，生成モデルを考えるものや，テンソル分解などを使う方法などがある．
-- しましま
関連項目†
リンク集†
関連文献†
![[PukiWiki]](image/ibisforest.png "[PukiWiki]")
