-
讓品牌有溫度、有情感
專注品牌策劃15年
-
當(dāng)前位置：首頁(yè) > 創(chuàng)意學(xué)院 > 技術(shù) > 專題列表 > 正文
多目標(biāo)分類算法（多目標(biāo)分類算法是什么）
發(fā)布時(shí)間：2023-04-14 01:25:26
稿源：
創(chuàng)意嶺 閱讀：
64
大家好！今天讓創(chuàng)意嶺的小編來大家介紹下關(guān)于多目標(biāo)分類算法的問題，以下是小編對(duì)此問題的歸納整理，讓我們一起來看看吧。
開始之前先推薦一個(gè)非常厲害的Ai人工智能工具，一鍵生成原創(chuàng)文章、方案、文案、工作計(jì)劃、工作報(bào)告、論文、代碼、作文、做題和對(duì)話答疑等等
只需要輸入關(guān)鍵詞，就能返回你想要的內(nèi)容，越精準(zhǔn)，寫出的就越詳細(xì)，有微信小程序端、在線網(wǎng)頁(yè)版、PC客戶端
官網(wǎng)：https://ai.de1919.com。
創(chuàng)意嶺作為行業(yè)內(nèi)優(yōu)秀的企業(yè)，服務(wù)客戶遍布全球各地，如需了解SEO相關(guān)業(yè)務(wù)請(qǐng)撥打電話175-8598-2043，或添加微信：1454722008
本文目錄:
分類算法（多目標(biāo)分類算法是什么）.jpg)
一、哪些機(jī)器學(xué)習(xí)算法可以處理多分類
maxsoft作為logistics二分類的改進(jìn)版，天生適合多分類；神經(jīng)網(wǎng)絡(luò)(如bp神經(jīng)網(wǎng)絡(luò)，隨機(jī)權(quán)神經(jīng)網(wǎng)絡(luò)，RBF神經(jīng)網(wǎng)絡(luò)等)；通過建立多個(gè)支持向量機(jī)或者最小二乘支持向量機(jī)分類模型，通過投票算法選擇概率最大的分類標(biāo)簽；也可以通過聚類算法(KNN，kMeans等)等無監(jiān)督學(xué)習(xí)算法實(shí)現(xiàn)分類。
樸素貝葉斯分類器算法是最受歡迎的學(xué)習(xí)方法之一，按照相似性分類，用流行的貝葉斯概率定理來建立機(jī)器學(xué)習(xí)模型，特別是用于疾病預(yù)測(cè)和文檔分類。 它是基于貝葉斯概率定理的單詞的內(nèi)容的主觀分析的簡(jiǎn)單分類。
如果特征數(shù)量遠(yuǎn)大于訓(xùn)練樣本數(shù)，則使用邏輯回歸或線性核方法的SVM。
如果特征數(shù)較小，而樣本數(shù)量相對(duì)較多，可以考慮高斯核方法的SVM。
如果特征數(shù)少兒樣本數(shù)極大，可以考慮增加一些特征，再使用邏輯回歸或線性核方法的SVM
神經(jīng)網(wǎng)絡(luò)則對(duì)上述情況都可適用，但訓(xùn)練時(shí)間較長(zhǎng)。
想要學(xué)習(xí)了解更多機(jī)器學(xué)習(xí)的信息，推薦CDA數(shù)據(jù)分析師課程。CDA 與國(guó)際知名考試服務(wù)機(jī)構(gòu) Pearson VUE 合作,認(rèn)證考點(diǎn)覆蓋全球。課程內(nèi)容綜合使用統(tǒng)計(jì)分析方法、統(tǒng)計(jì)模型、運(yùn)籌學(xué)、機(jī)器學(xué)習(xí)、文本挖掘算法，而非單一的機(jī)器學(xué)習(xí)算法。 點(diǎn)擊預(yù)約免費(fèi)試聽課。
二、多目標(biāo)優(yōu)化算法的多目標(biāo)是什么意思
多目標(biāo)優(yōu)化的本質(zhì)在于，大多數(shù)情況下，某目標(biāo)的改善可能引起其他目標(biāo)性能的降低，同時(shí)使多個(gè)目標(biāo)均達(dá)到最優(yōu)是不可能的，只能在各目標(biāo)之間進(jìn)行協(xié)調(diào)權(quán)衡和折中處理，使所有目標(biāo)函數(shù)盡可能達(dá)到最優(yōu)，而且問題的最優(yōu)解由數(shù)量眾多，甚至無窮大的Pareto最優(yōu)解組成。
三、多目標(biāo)進(jìn)化算法中的pareto解及pareto前沿介紹
多目標(biāo)求解會(huì)篩選出一個(gè)相對(duì)較優(yōu)的解的集合，在這個(gè)集合里就要用到pareto找出相對(duì)優(yōu)的解或者最優(yōu)解。
多目標(biāo)優(yōu)化問題的數(shù)學(xué)模型一般可以寫成如下形式:
fig 2表示n個(gè)目標(biāo)函數(shù)，目標(biāo)是都使之達(dá)到最小。
fig 3是其變量的約束集合，可以理解為變量的取值范圍，下面介紹具體的解之間的支配，占優(yōu)關(guān)系。
1：解A優(yōu)于解B（解A強(qiáng)帕累托支配解B）
假設(shè)現(xiàn)在有兩個(gè)目標(biāo)函數(shù)，解A對(duì)應(yīng)的目標(biāo)函數(shù)值都比解B對(duì)應(yīng)的目標(biāo)函數(shù)值好，則稱解A比解B優(yōu)越，也可以叫做解A強(qiáng)帕累托支配解B，舉個(gè)例子，就很容易懂了.
下圖中代表的是兩個(gè)目標(biāo)的的解的情況，橫縱坐標(biāo)表示兩個(gè)目標(biāo)函數(shù)值，E點(diǎn)表示的解所對(duì)應(yīng)的兩個(gè)目標(biāo)函數(shù)值都小于C，D兩個(gè)點(diǎn)表示的解所對(duì)應(yīng)的兩個(gè)目標(biāo)函數(shù)值，所以解E優(yōu)于解C,D.
2：解A無差別于解B（解A能帕累托支配解B）
同樣假設(shè)兩個(gè)目標(biāo)函數(shù)，解A對(duì)應(yīng)的一個(gè)目標(biāo)函數(shù)值優(yōu)于解B對(duì)應(yīng)的一個(gè)目標(biāo)函數(shù)值，但是解A對(duì)應(yīng)的另一個(gè)目標(biāo)函數(shù)值要差于解B對(duì)應(yīng)的一個(gè)目標(biāo)函數(shù)值，則稱解A無差別于解B，也叫作解A能帕累托支配解B，舉個(gè)例子，還是上面的圖，點(diǎn)C和點(diǎn)D就是這種情況，C點(diǎn)在第一個(gè)目標(biāo)函數(shù)的值比D小，在第二個(gè)函數(shù)的值比D大。
3：最優(yōu)解
假設(shè)在設(shè)計(jì)空間中，解A對(duì)應(yīng)的目標(biāo)函數(shù)值優(yōu)越其他任何解，則稱解A為最優(yōu)解，舉個(gè)例子，下圖的x1就是兩個(gè)目標(biāo)函數(shù)的最優(yōu)解，使兩個(gè)目標(biāo)函數(shù)同時(shí)達(dá)到最小，但是前面也說過，實(shí)際生活中這種解是不可能存在的。真要存在就好了，由此提出了帕累托最優(yōu)解.
4：帕累托最優(yōu)解
同樣假設(shè)兩個(gè)目標(biāo)函數(shù)，對(duì)于解A而言，在 變量空間 中找不到其他的解能夠優(yōu)于解A（注意這里的優(yōu)于一定要兩個(gè)目標(biāo)函數(shù)值都優(yōu)于A對(duì)應(yīng)的函數(shù)值），那么解A就是帕累托最優(yōu)解.
舉個(gè)例子，下圖中應(yīng)該找不到比 x1 對(duì)應(yīng)的目標(biāo)函數(shù)都小的解了吧，即找不到一個(gè)解優(yōu)于 x1 了，同理也找不到比 x2 更優(yōu)的解了，所以這兩個(gè)解都是帕累托最優(yōu)解，實(shí)際上，x1-x2 這個(gè)范圍的解都是帕累托最優(yōu)解，不信自己慢慢想。因此對(duì)于多目標(biāo)優(yōu)化問題而言，帕累托最優(yōu)解只是問題的一個(gè)可接受解，一般都存在多個(gè)帕累托最優(yōu)解，這個(gè)時(shí)候就需要人們自己決策了。
5：帕累托最優(yōu)前沿
還是看 剛才 那張圖 ，如下圖所示，更好的理解一下帕累托最優(yōu)解，實(shí)心點(diǎn)表示的解都是帕累托最優(yōu)解，所有的帕累托最優(yōu)解構(gòu)成帕累托最優(yōu)解集，這些解經(jīng)目標(biāo)函數(shù)映射構(gòu)成了該問題的Pareto最優(yōu)前沿或Pareto前沿面，說人話，即帕累托最優(yōu)解對(duì)應(yīng)的目標(biāo)函數(shù)值就是帕累托最優(yōu)前沿。
對(duì)于兩個(gè)目標(biāo)的問題，其Pareto最優(yōu)前沿通常是條線。而對(duì)于多個(gè)目標(biāo)，其Pareto最優(yōu)前沿通常是一個(gè)超曲面。
圖片來源于網(wǎng)絡(luò)，侵刪。
四、常見的分類算法有哪些？他們各自的優(yōu)缺點(diǎn)是什么？
優(yōu)點(diǎn)：
1）所需估計(jì)的參數(shù)少，對(duì)于缺失數(shù)據(jù)不敏感。
2）有著堅(jiān)實(shí)的數(shù)學(xué)基礎(chǔ)，以及穩(wěn)定的分類效率。
缺點(diǎn)：
1）假設(shè)屬性之間相互獨(dú)立，這往往并不成立。（喜歡吃番茄、雞蛋，卻不喜歡
吃番茄炒蛋）。
2）需要知道先驗(yàn)概率。
3）分類決策存在錯(cuò)誤率。
優(yōu)點(diǎn)：
1）不需要任何領(lǐng)域知識(shí)或參數(shù)假設(shè)。
2）適合高維數(shù)據(jù)。
3）簡(jiǎn)單易于理解。
4）短時(shí)間內(nèi)處理大量數(shù)據(jù)，得到可行且效果較好的結(jié)果。
5）能夠同時(shí)處理數(shù)據(jù)型和常規(guī)性屬性。
缺點(diǎn)：
1）對(duì)于各類別樣本數(shù)量不一致數(shù)據(jù)，信息增益偏向于那些具有更多數(shù)值的特征。
2）易于過擬合。
3）忽略屬性之間的相關(guān)性。
4）不支持在線學(xué)習(xí)。
優(yōu)點(diǎn)：
1）可以解決小樣本下機(jī)器學(xué)習(xí)的問題。
2）提高泛化性能。
3）可以解決高維、非線性問題。超高維文本分類仍受歡迎。
4）避免神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)選擇和局部極小的問題。
缺點(diǎn)：
1）對(duì)缺失數(shù)據(jù)敏感。
2）內(nèi)存消耗大，難以解釋。
3）運(yùn)行和調(diào)差略煩人。
優(yōu)點(diǎn)：
1）思想簡(jiǎn)單，理論成熟，既可以用來做分類也可以用來做回歸；
2）可用于非線性分類；
3）訓(xùn)練時(shí)間復(fù)雜度為 O(n)；
4）準(zhǔn)確度高，對(duì)數(shù)據(jù)沒有假設(shè)，對(duì) outlier 不敏感；
缺點(diǎn)：
1）計(jì)算量太大
2）對(duì)于樣本分類不均衡的問題，會(huì)產(chǎn)生誤判。
3）需要大量的內(nèi)存。
4）輸出的可解釋性不強(qiáng)。
優(yōu)點(diǎn)：
1）速度快。
2）簡(jiǎn)單易于理解，直接看到各個(gè)特征的權(quán)重。
3）能容易地更新模型吸收新的數(shù)據(jù)。
4）如果想要一個(gè)概率框架，動(dòng)態(tài)調(diào)整分類閥值。
缺點(diǎn)：
特征處理復(fù)雜。需要?dú)w一化和較多的特征工程。
優(yōu)點(diǎn)：
1）分類準(zhǔn)確率高。
2）并行處理能力強(qiáng)。
3）分布式存儲(chǔ)和學(xué)習(xí)能力強(qiáng)。
4）魯棒性較強(qiáng)，不易受噪聲影響。
缺點(diǎn)：
1）需要大量參數(shù)（網(wǎng)絡(luò)拓?fù)洹㈤y值、閾值）。
2）結(jié)果難以解釋。
3）訓(xùn)練時(shí)間過長(zhǎng)。
優(yōu)點(diǎn)：
1）adaboost 是一種有很高精度的分類器。
2）可以使用各種方法構(gòu)建子分類器，Adaboost 算法提供的是框架。
3）當(dāng)使用簡(jiǎn)單分類器時(shí)，計(jì)算出的結(jié)果是可以理解的。而且弱分類器構(gòu)造極其
簡(jiǎn)單。
4）簡(jiǎn)單，不用做特征篩選。
5）不用擔(dān)心 overfitting。
缺點(diǎn)：
對(duì) outlier （離群值）比較敏感
以上就是關(guān)于多目標(biāo)分類算法相關(guān)問題的回答。希望能幫到你，如有更多相關(guān)問題，您也可以聯(lián)系我們的客服進(jìn)行咨詢，客服也會(huì)為您講解更多精彩的知識(shí)和內(nèi)容。
推薦閱讀：
多目標(biāo)灰狼優(yōu)化算法（多目標(biāo)灰狼優(yōu)化算法代碼）
多目標(biāo)分類算法（多目標(biāo)分類算法是什么）
多目標(biāo)優(yōu)化模型（多目標(biāo)優(yōu)化模型求解）
贛公網(wǎng)安備 50019002502384號(hào)
