我正在尝试对包含 11 个类别的数据集执行多标签分类。图像可以包含零个或多个这些类别的对象。
我正在使用 sklearn MultiLabelBinarizer 对标签进行编码。 假设我有一个包含 4 个类别的标签集：A、B、C 和负类别。
我是否应该使用所有 k 类进行编码，以便负样本具有标签 [0 0 0 1] 或者更确切地说，使用 k-1 类，这样负样本将具有标签 [0 0 0]
这有什么不同吗？
到目前为止，我已经使用所有 k 个类进行编码进行分类。但是，我不确定这是否是正确的做法
在机器学习中，我认为通常的做法是使用 k 个类。 k-1 格式主要用于未正则化的线性模型，其中冗余类会使模型的系数无法解释（如果算法对完美多重共线性不具有鲁棒性，也可能导致算法崩溃）。
如果以下一项或多项适用，我认为您应该使用 k：（1）您正在使用模型进行预测，而不是解释模型的系数。 (2) 您正在使用迭代求解器，例如梯度下降。 (3) 您的模型具有参数正则化。 (4) 模型是非线性的。
我的理解是，对于这些条件中的任何一个，使用 k 而不是 k-1 都可以。您可能已经掌握了所有 4 种方法，这在 ML 中很常见。