在多类分类中，每个类都是互斥的，但在多标签分类中，每个类基本上代表不同的二元分类任务。

一个例子。

多类：可能包含狗、猫或青蛙的图像。每个图像仅包含一种动物。

对比

多标签：基于海报图像的电影类型分类。您有电影的海报图像，并想确定该电影是戏剧、动作片还是惊悚片等。一部电影可能属于这些类型中的多个。

因此，为了回答您的问题，多标签分类中的一对多策略基本上将 k 个二元分类任务分开。因此，使用上面的示例，您将有 k 个二进制分类器，其中每个分类器基本上代表每种类型。所以你会有一个用于戏剧的二元分类器，一个用于动作，一个用于惊悚等。

假设您有 K 个类别，您的多标签分类模型输出输入属于每个 K 个类别的概率：

$$p(x) = (p_1(x)=p(y=k|x),..., p_K(x)=p(y=K|x))$$

另一种方法是训练 K 个二元分类器并将它们专门用于识别一个类，因此一个仅识别类 k 的分类器，其输出将是一个唯一概率：

$$q^k(x) = (q^k_1(x)=p(y=1|x))$$

该方法在以下方面有所不同：

• 一对一你训练 K 个分类器，在多标签方法中你训练 1 个分类器。

• 当您看到第 k 类的标签时，您将拥有 K 个不同的训练数据集，一个与所有分类器作为带有标签的输入数据：“k”或“not k”。

您在 one vs all 方法中的最终分类结果是：

$$y(x) = argmax_k (q^1_k(x))$$

在多类分类中，您可以训练一个分类器来预测一组可能的类中的类。

但是，您也可以为每个类训练一个二元分类器，其中每个分类器都经过训练以预测元素是否属于关联的类。在推理时，您使用所有二元分类器进行预测，然后将信息组合到一个预测中。这是多类一对全。它允许将任何二进制分类算法转换为多类分类算法。