如何在matlab/python中针对多标签数据训练SVM？

我正在训练一个问题，因此我的输出（y）可能不止一个类。例如，SVM可以说，这个输入向量是1类，但它也可以说，这个输入向量是1类和5类。这与多类SVM问题不同，在多类SVM问题中，输出可以是多个类中的一个。我的输出可以是多个类中的一个或多个

示例：我的训练数据如下（对于每个训练向量X）

其中右侧是要预测的Y（这里我展示了一个有4个类的示例，其中1表示类成员）

我知道我可能需要使用结构支持向量机，如这里讨论的：

然而，这一切让我很困惑

然而，我不想简单地对每个可能的输出类使用一对所有分类器。我需要考虑到类之间的关系，所以我想我需要的是一个结构支持向量机。我的训练数据将有一些实例标记为单个类，其他实例标记为多个类

---

我猜我是在问如何处理这个问题，如果你知道在Matlab或Python中有这样的程序包。

< P>你可以考虑在Python中使用MeKa接口的SICKIT学习或工具和SCIKIT多学习。< /P> < P>作为SICKIT Multuple的作者，我可以推荐从Python透视图使用它。因为它是迄今为止python中最大的多标签分类库，并且与scikit一起使用非常方便。您可能应该使用github的主版本，而不是2年前的0.0.1版。我们计划下周发布一个版本，这是一个非常大的更新，有新的分类器和许多其他的。它还允许您与meka交互

在您的案例中，使用4个标签，您可以使用基本问题转换方法之一获得良好的结果-标签功率集或分类器链，位于skmultilearn.problem_transform.lp和skmultilearn.problem_transform.cc中-更复杂的方法主要适用于4个标签不经常出现的大标签不平衡情况

您可以通过以下方式从git获取库并将其安装在pip中：

pip安装git+https://git@github.com:scikit multilearn/scikit multilearn.git

X_1   [1 0 0 0]
X_2   [0 1 1 0]
X_3   [0 0 0 1]
X_4   [1 1 0 1]