使用scikit-learn进行多标签朴素贝叶斯分类

Question

我有一个分类问题，大致描述如下：在工作中，我们使用问题跟踪软件进行大部分内部沟通。例如，当你需要另一个团队的帮助时，你可以在这个软件中提交一个问题。每个问题可以分配一个或多个标签。

例如，可能会为新员工的笔记本电脑设置第一次提出问题，标题为“约翰·史密斯的笔记本电脑设置”，并标记为“笔记本电脑问题”和“新员工入职”。因此，对于给定的问题，可能有多个标签。

我正在尝试构建一个分类器，它可以接受一个问题的标题，并提供一个建议标签列表。我的主管要求我使用朴素贝叶斯算法来完成这项任务，所以这就是我正在尝试的。我正在使用scikit-learn。

首先，按照scikit-learn文档（http://scikit-learn.org/stable/modules/multiclass.html）中的描述，将其描述为“多标签”分类任务是否准确？这就是我认为的，但我不太理解“多输出-多类别分类”的描述，因此我无法排除它。再次强调，我要为每个样本预测一个或多个类别。

其次，看起来Naive-Bayes（至少在scikit-learn中）并不支持多标签。由于我现在被迫使用Naive-Bayes，所以我想我可以使用以下方法来创建自己的多标签分类器。这种方法是否合理？

• 为每个类训练一个Naive-Bayes二进制分类器（将训练数据转换为每个样本，如果该样本在其各种类别中具有该类，则标签仅为1，否则为0）。
• 然后，当我需要对样本进行预测时，我将使用每个二进制分类器进行预测，并且我的整体预测将是其二进制分类器预测出的标签。

最后，您能想到更好的方法吗？我计划的巨大缺点是由于大约有2,000个标签，我需要创建2,000个分类器。这可能并不完全禁止，但也不是理想的。Naive-bayes确实支持多类分类，因此我想知道是否有某种方式可以在单个分类器上“黑客攻击”它（通过查看每个类别生成的概率，如果存在的话）。

- Stephen

---

你应该使用多标签分类。在多输出-多类任务中，分类器必须从不同的输出任务中进行预测，因此我认为这与你的情况不符。无论如何，目前scikit还不支持它。 - Vivek Kumar

Answer 1

你提出的方法是有效的；实际上，它是针对多标签分类问题推广的一对多方法，也被称为二元相关性方法。由于你已经在使用 scikit-learn，所以你想要的功能已经在 sklearn.multiclass.OneVsRestClassifier module 中实现了。

唯一的要求是将标签格式化为适当形状的数组[n_samples, n_classes]，但这也可以通过 scikit-learn 的标签编码器轻松完成。

- geompalik