单标签二分类这种问题是我们最常见的算法问题，主要是指label 标签的取值只有两种，并且算法中只有一个需要预测的label标签；
直白来讲就是每个实例的可能类别只有两种(A or B)；此时的分类 算法其实是在构建一个分类线将数据划分为两个类别。
常见的算法：Logistic、SVM、KNN、决策树等
1、单标签多分类问题其实是指待预测的label标签只有一个，但是 label标签的取值可能有多种情况；直白来讲就是每个实例的可能
类别有K种(t1,t2,...tk,k≥3)；
2、常见算法：Softmax、SVM、KNN、决策树(集成学习 ----RF(Bagging)、Boosting(Adaboost、GBDT)；XGBo
3、是一个多分类的问题，我们可以将这个待 求解的问题转换为二分类算法的延伸，即将多分类任务拆分为若 干个二分类任务求解，
具体的策略如下：
? One-Versus-One(ovo)：一对一
? One-Versus-All / One-Versus-the-Rest(ova/ovr)：一对多
? Error Correcting Output codes(纠错码机制)：多对多
1、ovr与softmax的区别：
① softmax 每一次训练模型用的是整个训练数据中的某一类别的数据，从而的该类别的权重系数，通过测试集计算各个类型权
重的预测值，取最大的预测值(或者概率)的类型作为预测类型。
② ovr 每一次是代入所有的训练集数据来训练子模型，取出结果为正例的类
别(多个正例取最大值)。
原理：将模型构建应用分为两个阶段：编码阶段和解码阶段；编 码阶段中对K个类别中进行M次划分，每次划分将一部分数据分为正类，一部分数据分为反类，每次划分都构建出来一个模型， 模型的结果是在空间中对于每个类别都定义了一个点；解码阶段中使用训练出来的模型对测试样例进行预测，将预测样本对应的 点和类别之间的点求距离，选择距离最近的类别作为最终的预测类别。
1、多标签多分类这类问题的解决方案可以分为两大类：
1) 转换策略(Problem Transformation Methods)；
? Binary Relevance(first-order) --------- y标签之间相互独立
? Classifier Chains(high-order) --------- y标签之间相互依赖(链式)
? Calibrated Label Ranking(second-order) --------- 了解
2) 算法适应(Algorithm Adaptation)。
? ML-kNN
? ML-DT
1、转换策略思想：将多标签多分类问题转化为多个单标签二分类(通过哑编码转换 >>>>>>> -1 ， +1 )的子模型,将这些子模型的结果合并。
转化为多个单标签二分类
Binary Relevance 与 Classifier Chains区别
ML-kNN的思想：对于每一个实例来讲，先获取距离它最近的k个实例，然 后使用这些实例的标签集合，通过最大后验概率(MAP)来
断这个实例的 预测标签集合的值。
最大后验概率估计(MAP)贝叶斯估计 与 最大似然估计(MLE)区别？
答：最大后验概率(MAP)贝叶斯估计：其实就是在最大似然估计(MLE，样本划分目标属性Y的概率不是处处相等)中加入了这个要估计量的先验概率分布(即样本划分目标属性Y的概率不是处处相等)。
1、单标签多分类
2、多标签多分类
原文：https://www.cnblogs.com/cs-markdown10086/p/14774163.html