使用引力模型的多標簽分類算法的資料概述

2474220 2018-12-07 | rar | 0.84 MB | 次下載 | 免費

資料介紹

　　針對多標簽分類算法不能充分利用標簽相關性的問題，通過建立標簽的正、負相關性矩陣來挖掘標簽間不同的相關關系，提出一種基于引力模型的多標簽分類算法（ MLBGM）。首先，遍歷訓練集中所有樣本并分別求取每個訓練樣本的五個近鄰樣本，組成該樣本的近鄰集合；其次，根據每個樣本的近鄰集合中所有近鄰樣本的標簽分布情況，分別為每個訓練樣本建立正、負相關矩陣來獲取標簽間的相關性；然后，為每個訓練樣本的近鄰集合計算其近鄰密度和近鄰權重；最后，采用計算數據粒子間相互作用力的方式構建多標簽分類模型。實驗結果顯示，MLBGM與5種未考慮標簽負相關的對比算法相比，漢明損失（HammingLoss）平均降低了15. 62%，微平均Fl值（MicroFl）平均提升了7. 120/0，子集準確率（SubsetAccurary）平均提升了14. 88qo。MLBGM充分利用了標簽間不同的相關性，獲得了有效的實驗結果且分類效果優于未考慮標簽負相關的對比算法。

　　傳統的監督分類是機器學習領域中的一個重要組成部分，它的研究目的是將一條數據劃分到預先定義好的某一個類別當中。若預先定義好的類別只有一個，這樣的分類問題被稱為單標簽分類或二值分類。若存在多個類別，將數據劃分到其中之一，這樣的分類問題被稱為多類分類。多標簽分類是當前的研究熱點之一，并被廣泛應用于文本分類、圖像標注、蛋白質功能分析等多個方面。