Multilabelklassifikasjon

Multilabelklassifikasjon er en oppgave i maskinlæring der hvert datapunkt kan assosiere seg med flere etiketter fra et fast sett. Dette står i kontrast til klassifisering med én etikett per eksempel (multiclass) eller binærklassifisering per etikett. Målet er å forutsi riktig samling av etiketter for hvert tilfelle.

Tilnærminger deles ofte i to hovedgrupper: problemtransformasjon og algoritmeadapsjon. Problemtransformasjon inkluderer Binary Relevance, som trener separate binary-klassifikatorer for hver etikett; Classifier Chains, som modellerer avhengigheter mellom etiketter ved å bruke tidligere predikerte etiketter som innganger; og Label Powerset, som gjør problemet om til et multiclass-problem ved å se hver unike etikettkombinasjon som en klasse. Algoritmeadapsjon inkluderer metoder som er utviklet for å håndtere flere etiketter samtidig, for eksempel tilpassede versjoner av SVM, nevrale nettverk med uavhengige utganger per etikett (sigmoid) og andre former for flerlags læring.

Evaluering av multilabel-klassifikasjon bruker målealternativer som Hamming loss, subset accuracy (også kalt helt riktig-etikettering), samt presisjon, gjenkalling og F1-score. Disse kan beregnes i mikro- eller makro-agg og gir innsikt i både per-etikett og samlet ytelse. I tillegg brukes rangering og andre tilnærminger for visse oppgaver.

Vanlige anvendelser inkluderer tekstkategorisering, bilde- og videoannotasjon, bioinformatikk og medisinsk diagnose. Datalandskap for multilabel-oppgaver inkluderer databaser som Reuters-21578 og BibTex for tekst, samt Pascal VOC og COCO for bilder. Utfordringer inkluderer skala til mange etiketter, klasseskjevhet, sparsitet i labelsettene og avhengigheter mellom etiketter, samt behov for effektive metoder som kan trenes på store datasett.