-
让品牌有温度、有情感
专注品牌策划15年
多目标分类算法（多目标分类算法是什么）
发布时间：2023-04-14 01:25:26
稿源：
创意岭 阅读：
64
大家好！今天让创意岭的小编来大家介绍下关于多目标分类算法的问题，以下是小编对此问题的归纳整理，让我们一起来看看吧。
开始之前先推荐一个非常厉害的Ai人工智能工具，一键生成原创文章、方案、文案、工作计划、工作报告、论文、代码、作文、做题和对话答疑等等
只需要输入关键词，就能返回你想要的内容，越精准，写出的就越详细，有微信小程序端、在线网页版、PC客户端
创意岭作为行业内优秀的企业，服务客户遍布全球各地，如需了解SEO相关业务请拨打电话175-8598-2043，或添加微信：1454722008
本文目录:
一、哪些机器学习算法可以处理多分类
maxsoft作为logistics二分类的改进版，天生适合多分类；神经网络(如bp神经网络，随机权神经网络，RBF神经网络等)；通过建立多个支持向量机或者最小二乘支持向量机分类模型，通过投票算法选择概率最大的分类标签；也可以通过聚类算法(KNN，kMeans等)等无监督学习算法实现分类。
朴素贝叶斯分类器算法是最受欢迎的学习方法之一，按照相似性分类，用流行的贝叶斯概率定理来建立机器学习模型，特别是用于疾病预测和文档分类。 它是基于贝叶斯概率定理的单词的内容的主观分析的简单分类。
如果特征数量远大于训练样本数，则使用逻辑回归或线性核方法的SVM。
如果特征数较小，而样本数量相对较多，可以考虑高斯核方法的SVM。
如果特征数少儿样本数极大，可以考虑增加一些特征，再使用逻辑回归或线性核方法的SVM
神经网络则对上述情况都可适用，但训练时间较长。
想要学习了解更多机器学习的信息，推荐CDA数据分析师课程。CDA 与国际知名考试服务机构 Pearson VUE 合作,认证考点覆盖全球。课程内容综合使用统计分析方法、统计模型、运筹学、机器学习、文本挖掘算法，而非单一的机器学习算法。 点击预约免费试听课。
二、多目标优化算法的多目标是什么意思
多目标优化的本质在于，大多数情况下，某目标的改善可能引起其他目标性能的降低，同时使多个目标均达到最优是不可能的，只能在各目标之间进行协调权衡和折中处理，使所有目标函数尽可能达到最优，而且问题的最优解由数量众多，甚至无穷大的Pareto最优解组成。
三、多目标进化算法中的pareto解及pareto前沿介绍
多目标求解会筛选出一个相对较优的解的集合，在这个集合里就要用到pareto找出相对优的解或者最优解。
多目标优化问题的数学模型一般可以写成如下形式:
fig 2表示n个目标函数，目标是都使之达到最小。
fig 3是其变量的约束集合，可以理解为变量的取值范围，下面介绍具体的解之间的支配，占优关系。
1：解A优于解B（解A强帕累托支配解B）
假设现在有两个目标函数，解A对应的目标函数值都比解B对应的目标函数值好，则称解A比解B优越，也可以叫做解A强帕累托支配解B，举个例子，就很容易懂了.
下图中代表的是两个目标的的解的情况，横纵坐标表示两个目标函数值，E点表示的解所对应的两个目标函数值都小于C，D两个点表示的解所对应的两个目标函数值，所以解E优于解C,D.
2：解A无差别于解B（解A能帕累托支配解B）
同样假设两个目标函数，解A对应的一个目标函数值优于解B对应的一个目标函数值，但是解A对应的另一个目标函数值要差于解B对应的一个目标函数值，则称解A无差别于解B，也叫作解A能帕累托支配解B，举个例子，还是上面的图，点C和点D就是这种情况，C点在第一个目标函数的值比D小，在第二个函数的值比D大。
3：最优解
假设在设计空间中，解A对应的目标函数值优越其他任何解，则称解A为最优解，举个例子，下图的x1就是两个目标函数的最优解，使两个目标函数同时达到最小，但是前面也说过，实际生活中这种解是不可能存在的。真要存在就好了，由此提出了帕累托最优解.
4：帕累托最优解
同样假设两个目标函数，对于解A而言，在 变量空间 中找不到其他的解能够优于解A（注意这里的优于一定要两个目标函数值都优于A对应的函数值），那么解A就是帕累托最优解.
举个例子，下图中应该找不到比 x1 对应的目标函数都小的解了吧，即找不到一个解优于 x1 了，同理也找不到比 x2 更优的解了，所以这两个解都是帕累托最优解，实际上，x1-x2 这个范围的解都是帕累托最优解，不信自己慢慢想。因此对于多目标优化问题而言，帕累托最优解只是问题的一个可接受解，一般都存在多个帕累托最优解，这个时候就需要人们自己决策了。
5：帕累托最优前沿
还是看 刚才 那张图 ，如下图所示，更好的理解一下帕累托最优解，实心点表示的解都是帕累托最优解，所有的帕累托最优解构成帕累托最优解集，这些解经目标函数映射构成了该问题的Pareto最优前沿或Pareto前沿面，说人话，即帕累托最优解对应的目标函数值就是帕累托最优前沿。
对于两个目标的问题，其Pareto最优前沿通常是条线。而对于多个目标，其Pareto最优前沿通常是一个超曲面。
图片来源于网络，侵删。
四、常见的分类算法有哪些？他们各自的优缺点是什么？
优点：
1）所需估计的参数少，对于缺失数据不敏感。
2）有着坚实的数学基础，以及稳定的分类效率。
缺点：
1）假设属性之间相互独立，这往往并不成立。（喜欢吃番茄、鸡蛋，却不喜欢
吃番茄炒蛋）。
2）需要知道先验概率。
3）分类决策存在错误率。
优点：
1）不需要任何领域知识或参数假设。
2）适合高维数据。
3）简单易于理解。
4）短时间内处理大量数据，得到可行且效果较好的结果。
5）能够同时处理数据型和常规性属性。
缺点：
1）对于各类别样本数量不一致数据，信息增益偏向于那些具有更多数值的特征。
2）易于过拟合。
3）忽略属性之间的相关性。
4）不支持在线学习。
优点：
1）可以解决小样本下机器学习的问题。
2）提高泛化性能。
3）可以解决高维、非线性问题。超高维文本分类仍受欢迎。
4）避免神经网络结构选择和局部极小的问题。
缺点：
1）对缺失数据敏感。
2）内存消耗大，难以解释。
3）运行和调差略烦人。
优点：
1）思想简单，理论成熟，既可以用来做分类也可以用来做回归；
2）可用于非线性分类；
3）训练时间复杂度为 O(n)；
4）准确度高，对数据没有假设，对 outlier 不敏感；
缺点：
1）计算量太大
2）对于样本分类不均衡的问题，会产生误判。
3）需要大量的内存。
4）输出的可解释性不强。
优点：
1）速度快。
2）简单易于理解，直接看到各个特征的权重。
3）能容易地更新模型吸收新的数据。
4）如果想要一个概率框架，动态调整分类阀值。
缺点：
特征处理复杂。需要归一化和较多的特征工程。
优点：
1）分类准确率高。
2）并行处理能力强。
3）分布式存储和学习能力强。
4）鲁棒性较强，不易受噪声影响。
缺点：
1）需要大量参数（网络拓扑、阀值、阈值）。
2）结果难以解释。
3）训练时间过长。
优点：
1）adaboost 是一种有很高精度的分类器。
2）可以使用各种方法构建子分类器，Adaboost 算法提供的是框架。
3）当使用简单分类器时，计算出的结果是可以理解的。而且弱分类器构造极其
简单。
4）简单，不用做特征筛选。
5）不用担心 overfitting。
缺点：
对 outlier （离群值）比较敏感
以上就是关于多目标分类算法相关问题的回答。希望能帮到你，如有更多相关问题，您也可以联系我们的客服进行咨询，客服也会为您讲解更多精彩的知识和内容。
推荐阅读：
赣公网安备 50019002502384号
