-
讓品牌有溫度、有情感
專注品牌策劃15年
-
當前位置：首頁 > 創(chuàng)意學院 > 技術(shù) > 專題列表 > 正文
多目標分類算法（多目標分類算法是什么）
發(fā)布時間：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于多目標分類算法的問題，以下是小編對此問題的歸納整理，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、工作計劃、工作報告、論文、代碼、作文、做題和對話答疑等等
只需要輸入關鍵詞，就能返回你想要的內(nèi)容，越精準，寫出的就越詳細，有微信小程序端、在線網(wǎng)頁版、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)，服務客戶遍布全球各地，如需了解SEO相關業(yè)務請撥打電話175-8598-2043，或添加微信：1454722008
本文目錄:
一、哪些機器學習算法可以處理多分類
maxsoft作為logistics二分類的改進版，天生適合多分類；神經(jīng)網(wǎng)絡(如bp神經(jīng)網(wǎng)絡，隨機權(quán)神經(jīng)網(wǎng)絡，RBF神經(jīng)網(wǎng)絡等)；通過建立多個支持向量機或者最小二乘支持向量機分類模型，通過投票算法選擇概率最大的分類標簽；也可以通過聚類算法(KNN，kMeans等)等無監(jiān)督學習算法實現(xiàn)分類。
樸素貝葉斯分類器算法是最受歡迎的學習方法之一，按照相似性分類，用流行的貝葉斯概率定理來建立機器學習模型，特別是用于疾病預測和文檔分類。 它是基于貝葉斯概率定理的單詞的內(nèi)容的主觀分析的簡單分類。
如果特征數(shù)量遠大于訓練樣本數(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)絡則對上述情況都可適用，但訓練時間較長。
想要學習了解更多機器學習的信息，推薦CDA數(shù)據(jù)分析師課程。CDA 與國際知名考試服務機構(gòu) Pearson VUE 合作,認證考點覆蓋全球。課程內(nèi)容綜合使用統(tǒng)計分析方法、統(tǒng)計模型、運籌學、機器學習、文本挖掘算法，而非單一的機器學習算法。 點擊預約免費試聽課。
二、多目標優(yōu)化算法的多目標是什么意思
多目標優(yōu)化的本質(zhì)在于，大多數(shù)情況下，某目標的改善可能引起其他目標性能的降低，同時使多個目標均達到最優(yōu)是不可能的，只能在各目標之間進行協(xié)調(diào)權(quán)衡和折中處理，使所有目標函數(shù)盡可能達到最優(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、多目標進化算法中的pareto解及pareto前沿介紹
多目標求解會篩選出一個相對較優(yōu)的解的集合，在這個集合里就要用到pareto找出相對優(yōu)的解或者最優(yōu)解。
多目標優(yōu)化問題的數(shù)學模型一般可以寫成如下形式:
fig 2表示n個目標函數(shù)，目標是都使之達到最小。
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)關系。
1：解A優(yōu)于解B（解A強帕累托支配解B）
假設現(xiàn)在有兩個目標函數(shù)，解A對應的目標函數(shù)值都比解B對應的目標函數(shù)值好，則稱解A比解B優(yōu)越，也可以叫做解A強帕累托支配解B，舉個例子，就很容易懂了.
下圖中代表的是兩個目標的的解的情況，橫縱坐標表示兩個目標函數(shù)值，E點表示的解所對應的兩個目標函數(shù)值都小于C，D兩個點表示的解所對應的兩個目標函數(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）
同樣假設兩個目標函數(shù)，解A對應的一個目標函數(shù)值優(yōu)于解B對應的一個目標函數(shù)值，但是解A對應的另一個目標函數(shù)值要差于解B對應的一個目標函數(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，舉個例子，還是上面的圖，點C和點D就是這種情況，C點在第一個目標函數(shù)的值比D小，在第二個函數(shù)的值比D大。
3：最優(yōu)解
假設在設計空間中，解A對應的目標函數(shù)值優(yōu)越其他任何解，則稱解A為最優(yōu)解，舉個例子，下圖的x1就是兩個目標函數(shù)的最優(yōu)解，使兩個目標函數(shù)同時達到最小，但是前面也說過，實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
同樣假設兩個目標函數(shù)，對于解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)于一定要兩個目標函數(shù)值都優(yōu)于A對應的函數(shù)值），那么解A就是帕累托最優(yōu)解.
舉個例子，下圖中應該找不到比 x1 對應的目標函數(shù)都小的解了吧，即找不到一個解優(yōu)于 x1 了，同理也找不到比 x2 更優(yōu)的解了，所以這兩個解都是帕累托最優(yōu)解，實際上，x1-x2 這個范圍的解都是帕累托最優(yōu)解，不信自己慢慢想。因此對于多目標優(yōu)化問題而言，帕累托最優(yōu)解只是問題的一個可接受解，一般都存在多個帕累托最優(yōu)解，這個時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，實心點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)解對應的目標函數(shù)值就是帕累托最優(yōu)前沿。
對于兩個目標的問題，其Pareto最優(yōu)前沿通常是條線。而對于多個目標，其Pareto最優(yōu)前沿通常是一個超曲面。
圖片來源于網(wǎng)絡，侵刪。
四、常見的分類算法有哪些？他們各自的優(yōu)缺點是什么？
優(yōu)點：
1）所需估計的參數(shù)少，對于缺失數(shù)據(jù)不敏感。
2）有著堅實的數(shù)學基礎，以及穩(wěn)定的分類效率。
缺點：
1）假設屬性之間相互獨立，這往往并不成立。（喜歡吃番茄、雞蛋，卻不喜歡
吃番茄炒蛋）。
2）需要知道先驗概率。
3）分類決策存在錯誤率。
優(yōu)點：
1）不需要任何領域知識或參數(shù)假設。
2）適合高維數(shù)據(jù)。
3）簡單易于理解。
4）短時間內(nèi)處理大量數(shù)據(jù)，得到可行且效果較好的結(jié)果。
5）能夠同時處理數(shù)據(jù)型和常規(guī)性屬性。
缺點：
1）對于各類別樣本數(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性。
4）不支持在線學習。
優(yōu)點：
1）可以解決小樣本下機器學習的問題。
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)絡結(jié)構(gòu)選擇和局部極小的問題。
缺點：
1）對缺失數(shù)據(jù)敏感。
2）內(nèi)存消耗大，難以解釋。
3）運行和調(diào)差略煩人。
優(yōu)點：
1）思想簡單，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）訓練時間復雜度為 O(n)；
4）準確度高，對數(shù)據(jù)沒有假設，對 outlier 不敏感；
缺點：
1）計算量太大
2）對于樣本分類不均衡的問題，會產(chǎn)生誤判。
3）需要大量的內(nèi)存。
4）輸出的可解釋性不強。
優(yōu)點：
1）速度快。
2）簡單易于理解，直接看到各個特征的權(quán)重。
3）能容易地更新模型吸收新的數(shù)據(jù)。
4）如果想要一個概率框架，動態(tài)調(diào)整分類閥值。
缺點：
特征處理復雜。需要歸一化和較多的特征工程。
優(yōu)點：
1）分類準確率高。
2）并行處理能力強。
3）分布式存儲和學習能力強。
4）魯棒性較強，不易受噪聲影響。
缺點：
1）需要大量參數(shù)（網(wǎng)絡拓撲、閥值、閾值）。
2）結(jié)果難以解釋。
3）訓練時間過長。
優(yōu)點：
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）當使用簡單分類器時，計算出的結(jié)果是可以理解的。而且弱分類器構(gòu)造極其
簡單。
4）簡單，不用做特征篩選。
5）不用擔心 overfitting。
缺點：
對 outlier （離群值）比較敏感
以上就是關于多目標分類算法相關問題的回答。希望能幫到你，如有更多相關問題，您也可以聯(lián)系我們的客服進行咨詢，客服也會為您講解更多精彩的知識和內(nèi)容。
推薦閱讀：
多目標灰狼優(yōu)化算法（多目標灰狼優(yōu)化算法代碼）
贛公網(wǎng)安備 50019002502384號
