machine-learning - 减少分类方法中的类别是否会提高准确性？

Question

我很想知道减少多类分类的监督分类模型(特别是逻辑回归)中的类数量是否显着有助于提高准确性。例如，如果我有 10000 个样本的 50 个类，我通过将某些类组合在一起将类数量减少到 30 个。这会显着提高我的分类模型的准确性吗？

Answer 1

如果您组合的类相似并且它们之间有大量错误分类的样本，那么它肯定会提高您的性能，因为它会减少错误。

例如:

• 假设您正在对 4 个不同类别(猫、狗、椅子、 table )的样本进行分类
• 如果您将这些类别组合在一起并执行动物与非动物分类，则当猫被错误分类为狗(反之亦然)时发生的所有分类错误都不会再发生，并且您的整体准确性将会提高。

如果您分组的类不相似，则很可能不会提高您的准确性，因为您不会减少错误数量。想象一下，您的分类器非常好，您不会将任何猫误认为狗，反之亦然，在组合此类时您不会减少任何错误，因为不存在。