Classificação Multi-Rótulo
Multi-rótulo classification is a type of aprendizado de máquina task where each instance (or data point) can be associated with multiple labels or categories at the same time. This is different from traditional single-label classification, where each instance is assigned only one label from a predefined set.
In multi-label classification, the goal is to predict a set of labels for each input based on its features. For example, consider an classificação de imagens task where an image can contain multiple objects, such as a dog and a cat. In this case, the model would need to identify both labels as present in the image.
Problemas de classificação multi-label podem ser encontrados em várias aplicações, como:
- Categorização de textos, onde um documento pode pertencer a múltiplos tópicos.
- Marcação de imagens, onde uma imagem pode ser marcada com várias palavras-chave.
- Médico diagnóstico, onde um paciente pode ter múltiplas condições simultâneas.
Para lidar efetivamente com a classificação multi-rótulo, diferentes algorithms e técnicas podem ser empregadas. Algumas abordagens populares incluem:
- Relevância Binária: Treating each label as a separate classificação binária problema.
- Cadeias de Classificadores: Building a chain of binary classifiers, where each classifier considers its predecessors’ predictions.
- Conjunto de Rótulos (Label Powerset): Treating each unique set of labels as a single label in a tarefas de classificação multiclasse problema.
Métricas de avaliação for multi-label classification are also different from single-label tasks. Common metrics include Hamming Loss, F1 Score, and Jaccard Index, which help assess the model’s performance based on label predictions.