我正在处理MNIST 数字识别数据集

这里，我有10个类别标签，我希望构建并比较所有类别的组合，即运行10c2个逻辑回归模型并进行比较。我知道我可以使用combn(unique(mnist$label), 2, function(x) , simplify = TRUE)在一个循环中，并在函数中编写模型。但我在这里卡住了。

loglist <- list()for(i in unique(mnist$label)){         tmp <- try(append(loglist, glm(label~.,family=binomial(link=logit),                   data = mnist[mnist$label == i, ])))        if (class(tmp) != "try-error") loglist <- append(loglist, tmp)} 

任何帮助或建议都将非常有帮助，谢谢你。

回答：

有三种方法可以使用逻辑回归模型来处理多个类别（在你的例子中是10个类别）。

1. 一对其余
2. 一对一

这两种方法在维基百科上有很好的解释，并且Andrew NG有很好的视频讲座。

另一种方法是使用Softmax回归，可以在给定的链接中找到很好的教程。这种模型将逻辑回归推广到类别标签y可以取多个可能值的分类问题中。

那么，什么时候使用哪种模型：

这将取决于四个类别是否互斥。例如，如果你的四个类别是古典、乡村、摇滚和爵士乐，那么假设你的每个训练样本都标记有这四个类别标签中的一个，你应该构建一个Softmax分类器。

然而，如果你的类别是has_vocals、dance、soundtrack、pop，那么这些类别不是互斥的；例如，可以有一首流行音乐来自于电影原声带，并且还有人声。在这种情况下，构建4个二元逻辑回归分类器会更合适。这样，对于每首新音乐，你的算法可以分别决定它是否属于这四个类别中的每一个。