Clasificación Multiclase

Es un tipo de problema de aprendizaje supervisado en el que el objetivo es asignar una de tres o más categorías posibles a una instancia dada en función de sus características o atributos.

Este tipo de clasificación se utiliza cuando los datos de salida incluyen múltiples clases y cada instancia pertenece exactamente a una única clase.

Para abordar este problema, se emplean algoritmos como regresión logística multinomial, máquinas de soporte vectorial, redes neuronales y árboles de decisión, entre otros.

El enfoque One-vs-Rest (OvR) y el enfoque One-vs-One (OvO) son estrategias comunes para adaptar algoritmos binarios a problemas multiclase.

Adicionalmente, es importante contar con métricas de evaluación específicas, como la matriz de confusión y el puntaje F1 por clase, para medir el desempeño del modelo en escenarios multiclase.

Se encuentra presente en aplicaciones como reconocimiento de imágenes, análisis de sentimientos, diagnóstico médico y sistemas de recomendación, entre otras áreas.

Implica desafíos como manejar la desbalanceo en las clases y gestionar características que puedan ser ambiguas o similares entre distintas categorías.