使用引力模型的多标签分类算法的资料概述

2474220 2018-12-07 | rar | 0.84 MB | 次下载 | 免费

资料介绍

　　针对多标签分类算法不能充分利用标签相关性的问题，通过建立标签的正、负相关性矩阵来挖掘标签间不同的相关关系，提出一种基于引力模型的多标签分类算法（ MLBGM）。首先，遍历训练集中所有样本并分别求取每个训练样本的五个近邻样本，组成该样本的近邻集合；其次，根据每个样本的近邻集合中所有近邻样本的标签分布情况，分别为每个训练样本建立正、负相关矩阵来获取标签间的相关性；然后，为每个训练样本的近邻集合计算其近邻密度和近邻权重；最后，采用计算数据粒子间相互作用力的方式构建多标签分类模型。实验结果显示，MLBGM与5种未考虑标签负相关的对比算法相比，汉明损失（HammingLoss）平均降低了15. 62%，微平均Fl值（MicroFl）平均提升了7. 120/0，子集准确率（SubsetAccurary）平均提升了14. 88qo。MLBGM充分利用了标签间不同的相关性，获得了有效的实验结果且分类效果优于未考虑标签负相关的对比算法。

　　传统的监督分类是机器学习领域中的一个重要组成部分，它的研究目的是将一条数据划分到预先定义好的某一个类别当中。若预先定义好的类别只有一个，这样的分类问题被称为单标签分类或二值分类。若存在多个类别，将数据划分到其中之一，这样的分类问题被称为多类分类。多标签分类是当前的研究热点之一，并被广泛应用于文本分类、图像标注、蛋白质功能分析等多个方面。