Preciso classificar os URLs em categorias. Digamos que eu tenho 15 categorias nas quais planejo zerar cada URL.
Um classificador de 15 vias é melhor? Onde eu tenho 15 rótulos e gero recursos para cada ponto de dados.
Ou construindo 15 classificadores binários, digamos: Filme ou Não Filme, e use os números que eu recebo dessas classificações para construir um corretor, escolher a melhor categoria e melhorar?
Antes de tudo, você deve se perguntar se o seu problema é de várias etiquetas (ou seja, uma única URL pode pertencer a várias classes) ou não (ou seja, uma única URL pode pertencer a apenas uma classe).
Se for o primeiro, use uma bateria de classificadores binários, porque esta é uma maneira padrão de fazer problemas com vários rótulos.
Nesse último caso, a resposta depende de uma combinação de como os dados são exibidos, qual é o objetivo da sua análise e qual método você está usando - provavelmente você deve apenas tentar os dois e selecionar melhor.
Observe apenas que alguns métodos (como o SVM) não podem realmente fazer a classificação multiclasse por causa de como são definidos e, portanto, usam internamente uma bateria de classificadores binários.
Isso dependerá de como seus dados são dispersos. Há um belo exemplo que foi dado recentemente a uma pergunta semelhante em que o OP queria saber se uma única função discriminante linear seria um classificador melhor para decidir a população A vs B ou C ou uma baseada em funções discriminantes lineares múltiplas que separam A, B e C. Alguém deu um gráfico de dispersão colorido muito bom para mostrar como o uso de dois discriminantes seria melhor que um nesse caso. Vou tentar vincular a ele.
fonte
Alguns métodos lidam bem com multiclasses, florestas aleatórias e MLPs, por exemplo.
Se você não quiser seguir esse caminho, é possível que o ECOC possa executar o 1-vs-All para o seu problema, apenas os testes indicarão.
fonte