Necesito clasificar las URL en categorías. Digamos que tengo 15 categorías en las que planeo poner cero a cada URL.
¿Es mejor un clasificador de 15 vías? Donde tengo 15 etiquetas y genero características para cada punto de datos.
O construyendo 15 clasificadores binarios, diga: Película o No película, y use los números que obtengo de estas clasificaciones para construir un rango, para elegir la mejor categoría, ¿va a ser mejor?
Respuestas:
En primer lugar, debe preguntarse si su problema es multimarca (es decir, una única URL puede pertenecer a varias clases) o no (es decir, una única URL puede pertenecer a una sola clase).
Si es lo primero, vaya con una batería de clasificadores binarios, porque esta es una forma predeterminada de resolver problemas de múltiples etiquetas.
Si es esto último, la respuesta depende de una combinación de cómo se ven sus datos, cuál es el objetivo de su análisis y qué método está utilizando; probablemente debería probar ambos y seleccionar mejor.
Solo tenga en cuenta que algunos métodos (como SVM) en realidad no pueden hacer clasificación multiclase debido a cómo se definen y, por lo tanto, usan internamente una batería de clasificadores binarios.
Esto dependerá de cómo se dispersen sus datos. Hay un hermoso ejemplo que se dio recientemente a una pregunta similar en la que el OP quería saber si una sola función discriminante lineal sería un mejor clasificador para decidir la población A frente a B o C o una basada en múltiples funciones discriminantes lineales que separan A, B y C. Alguien dio un diagrama de dispersión de color muy bonito para mostrar cómo usar dos discriminantes sería mejor que uno en ese caso. Trataré de vincularlo.
Algunos métodos funcionan bien con bosques de múltiples clases, aleatorios, MLP, por ejemplo.
Si no quiere seguir ese camino, entonces es posible que ECOC pueda realizar 1-vs-All para su problema, solo las pruebas lo dirán.