ReLabel：自动将ImageNet转化成多标签数据集，更准确地有监督训练 - 2021新文.doc

迭代分层 迭代分层是一个为兼容的交叉验证器提供分层的项目，用于对多标签数据进行分层。 目前，scikit-learn为多个交叉验证器提供了分层。 但是，这些交叉验证器无法对多标签数据进行分层。 此迭代分层项目提供了MultilabelStratifiedKFold，MultilabelRepeatedStratifiedKFold和MultilabelStratifiedShuffleSplit的实现，并具有用于对多标签数据进行分层的基本算法，如下文所述： Sechidis K.，Tsoumakas G.，Vlahavas I.（2011）关于多标签数据的分层。 在：Gunopulos D

yeast（酵母菌）数据集是一个多标签数据集，里面包括14种标签，已经划分好了训练集和测试集，可以直接进行调用，可用于机器学习，多标签分类等等，在MATLAB和python中都可调用。

这里有两组可用于多标签分类实验的数据集，scene（场景）和emotions（情感），两个都是图片类型的数据集，可直接在MATLAB和python上使用，不需要在进行处理。

目前有很多关于多标签的学习算法，依据解决问题的角度，这些算法可以分为两大类：一是基于问题转化（Problem Transformation）的方法，二是基于算法适应的方法和算法适应方法（Algorithm Adaptation）。基于问题转化的多标记分类是转化问题数据，使之适用现有算法；基于算法适应的方法是指针对某一特定的算法进行扩展，从而能够直接处理多标记数据，改进算法，适应数据。