รู้จัก Multi-Label Classification

Multi-label classification

คือ การจำแนกข้อมูลที่หนึ่งตัวอย่างสามารถมีหลายป้ายกำกับ (labels) พร้อมกัน ไม่เหมือนกับ multi-class classification ที่หนึ่งตัวอย่างจะมีแค่หนึ่งคลาสเท่านั้น 

ลักษณะสำคัญ

• Multi-class: เลือก 1 คลาสจากหลายคลาส เช่น วัตถุ →[รถยนต์, คน, ถนน]
• Multi-label: เลือกหลายคลาสพร้อมกัน เช่น ภาพหนึ่งอธิบายทั้ง Animal, Dog และ Furry

ตัวอย่าง

• ภาพถ่าย: ภาพหนึ่งมีทั้ง "รถยนต์" และ "คน" → labels =[Car, Person]
• ข้อความ: บทความเกี่ยวกับ "กีฬา" และ "สุขภาพ" → labels = [Sports, Health]
• เพลง: เพลงหนึ่งอาจเป็นทั้ง "Pop" และ "Dance"

วิธีการทำ ใช้โมเดลที่รองรับการทำนายหลาย label เช่น

• Binary Relevance: แยกเป็นหลาย binary classifiers (หนึ่ง label ต่อหนึ่งโมเดล)
• Classifier Chains: ใช้ผลลัพธ์ของ label ก่อนหน้าเป็น feature ของ label ถัดไป
• Neural Networks: ใช้ activation แบบ sigmoid ที่ output layer (ไม่ใช่ softmax)

การประเมินผล ใช้ metric เช่น

• Hamming Loss
• Subset Accuracy
• Precision, Recall, F1-score (macro/micro)