多分类问题与多标记学习这2个概率很容易混淆，特别是2个概念放到一起时，还有就是当涉及对多分类问题使用多对多模型时，更容易头晕，因此笔者在这里简单介绍一下2者相同和区别之处。
1 多分类问题
1.1 一对一
当分类是多分类（既k>2），可以把多分类问题灵活处理为普通的2分类问题，既不同类两两组合，如k=3时：
分类器的总个数为：k(k-1)/2=3,既从k个分类器总选择2个。
分类器情况为（正类|负类）：（类1|类2），（类1|类3），（类2|类3）
1.2 一对其他
一对其他模型是把其他分类看着负类，这样能够减少模型个数，一对一模型数为n(n-1)/2,而一对其他模型数为n。
分类器情况为（正类|其他类都为负类）：如k=3时，（类1|类2，类3），（类2|，类1，类3），（类3|类1，类2）
1.3 多对多
多对多模型是对一对其他模型的进一步改进，因为一对其他模型可能会遇到2个及以上分类器输出为正的情况，此时，一对其他模型选择概率最大的分类标签给样本，而多对多模型者把2个分类标签都给样本，这里与多标记学习发生了重叠，前2个情况都比较好理解，一般情况下，我们默认讨论前2个模型情况，即一对一，一对其他。只需记住这个特例就好。
2 多标记学习
多标记学习，也叫做多标签学习。它是给一张图片赋予多个标记信息。如下面的这张图片，它的标记可以为（树，天空，人），
3 相同之处
多分类问题与多标记学习相同点在于都是给样本赋予某种标记信息，特别是当多分类问题是多对多模型时， 多分类就可以包含多标记。
4 不同之处
一般而言，多分类问题是选择概率最大的分类标签给样本，就想以前考试做选择题时，选择最正确的一项给，既是单选题，而多标记学习则是多选题，选择适合于样本的标记信息，既选择适合的标记。既是多选题。
而从机器学习的角度来理解，多分类是具体的问题，多标记学习是学习框架，是一种通用的范式，是对具体的抽象。