一对多（One-vs-Rest classifier）

将只能用于二分问题的分类(如Logistic回归、SVM)方法扩展到多类。

参考：http://www.cnblogs.com/CheeseZH/p/5265959.html

“一对多”方法

1训练时依次把某个类别的样本归为一类,其他剩余的样本归为另一类，这样k个类别的样
2本就构造出了k个binary分类器。分类时将未知样本分类为具有最大分类函数值的那类。
3假如我有四类要划分（也就是4个Label），他们是A、B、C、D。
4    　　于是我在抽取训练集的时候，分别抽取
5    　　（1）A所对应的向量作为正集，B，C，D所对应的向量作为负集；
6    　　（2）B所对应的向量作为正集，A，C，D所对应的向量作为负集；
7    　　（3）C所对应的向量作为正集，A，B，D所对应的向量作为负集；
8    　　（4）D所对应的向量作为正集，A，B，C所对应的向量作为负集；
9    　　使用这四个训练集分别进行训练，然后得到四个训练结果文件。
10    　　在测试的时候，把对应的测试向量分别利用这四个训练结果文件进行测试。
11    　　最后每个测试都有一个结果f1(x),f2(x),f3(x),f4(x)。
12    　　于是最终的结果便是这四个值中最大的一个作为分类结果。

这种方法有种缺陷,因为训练集是1:M,这种情况下存在biased（即正负样本数可能很不均衡）``。

1另外还有“一对一”方法，Spark2.0中还没有实现。
2其做法是在任意两类样本之间设计一个分类器，因此k个类别的样本就需要设计k(k-1)/2个SVM。
3当对一个未知样本进行分类时，最后得票最多的类别即为该未知样本的类别。
4Libsvm中的多类分类就是根据这个方法实现的。
5主要缺点:当类别很多的时候,model的个数是n*(n-1)/2,代价还是相当大的。（是不是不适合大数据集？）

Spark “一对多”代码

1//定义一个binary分类器，如:LogisticRegression 
2LogisticRegression lr=new LogisticRegression()
3                .setMaxIter(10)
4                .setRegParam(0.3)
5                .setElasticNetParam(0.2)                
6                .setThreshold(0.5);
7//建立一对多多分类器model                
8OneVsRestModel model=new OneVsRest()
9                .setClassifier(lr)//将binary分类器用这种办法加入
10                .fit(training);
11//利用多分类器model预测
12Dataset<Row>predictions=model.transform(test);

Spark中那些方法可以用于多类分类

多类分类结果评估

（MulticlassClassificationEvaluator类） 
在前面一篇文章里面介绍的关于二分问题的评估方法，部分评估方法可以延伸到多类分类为问题。这些概念可以参考 
下面的文章： http://www.cnblogs.com/itboys/p/8315834.html
Spark中多分类分类基于JavaRDD的评估方法如下： 
Precision，Recall,F-measure都有按照不同label分别评价，或者加权总体评价。 
 
但是目前基于DataFrame的好像还没有这么多，没有介绍文档 
通过explainParams函数打印出来就四种：

1System.out.println(evaluator.explainParams());
2metricName: metric name in evaluation (f1|weightedPrecision|weightedRecall|accuracy)

使用方法如下：

1MultilayerPerceptronClassificationModel model=
2                multilayerPerceptronClassifier.fit(training);   
3
4
5Dataset<Row> predictions=model.transform(test);     
6MulticlassClassificationEvaluator evaluator=
7        new MulticlassClassificationEvaluator()
8        .setLabelCol("label")               
9        .setPredictionCol("prediction");
10
11
12//System.out.println(evaluator.explainParams());
13double accuracy =evaluator.setMetricName("accuracy").evaluate(predictions);
14double weightedPrecision=evaluator.setMetricName("weightedPrecision").evaluate(predictions);
15double weightedRecall=evaluator.setMetricName("weightedRecall").evaluate(predictions);
16double f1=evaluator.setMetricName("f1").evaluate(predictions);