發(fā)布時間：2025-01-09 03:10

　　隨著信息技術的快速發(fā)展,多標簽分類已經(jīng)成為分類問題的重要課題。在大數(shù)據(jù)時代,多標簽分類問題廣泛存在于現(xiàn)實世界中。由于多標簽數(shù)據(jù)的特殊性,傳統(tǒng)的數(shù)據(jù)分析技術與手段已不再適用于多標簽數(shù)據(jù)。因此如何找到一種快速有效多標簽分類算法已成為一個熱點問題,多標簽分類學習的研究也正逐漸凸顯出其價值。本文主要工作如下:首先對單標簽和多標簽分類的研究現(xiàn)狀進行了初步的了解,總結和分析了應用到多標簽分類學習的兩種算法:基于問題轉換策略和基于算法轉換策略,其中重點研究了基于KNN(K Nearest Neighbors)的多標簽分類改進算法,詳細分析了每一類改進算法的主要思想和優(yōu)缺點。其次深入研究了基于KNN的多標簽分類算法ML-KNN,針對該算法在數(shù)據(jù)分布不均勻的情況下容易造成誤判標簽的情況問題,通過增加后驗概率的值,提出一種改進的新型多標簽分類算法:增加后驗概率的ML-KNN改進算法。然后在增加后驗概率的ML-KNN多標簽分類算法的基礎上引入懲罰函數(shù),進一步提高算法的準確性。將改進的兩種算法在數(shù)據(jù)集上進行分類實驗,結果表明改進算法的預測性能整體上優(yōu)于ML-KNN算法。最后深入研究了一種新型多標記懶惰學習算法—...

【文章頁數(shù)】：69 頁

【學位級別】：碩士

【部分圖文】：

圖2-1創(chuàng)建新的標簽方法

第二章多標簽分類方法分析112.3.1基于問題轉換方法PT方法的思想是先將多標簽數(shù)據(jù)集轉換成單標簽數(shù)據(jù)集，利用經(jīng)典算法對其進行分類。基于轉換的思路分為樣本實例轉換、標簽轉換兩種。2.3.1.1基于樣本實例轉換方法（1）創(chuàng)建新的標簽。其思想是分類過程中將選中的標簽組合起來產(chǎn)生新的標....

圖2-2多標簽分解方法示意圖

第二章多標簽分類方法分析112.3.1基于問題轉換方法PT方法的思想是先將多標簽數(shù)據(jù)集轉換成單標簽數(shù)據(jù)集，利用經(jīng)典算法對其進行分類�；�于轉換的思路分為樣本實例轉換、標簽轉換兩種。2.3.1.1基于樣本實例轉換方法（1）創(chuàng)建新的標簽。其思想是分類過程中將選中的標簽組合起來產(chǎn)生新的標....

圖2-3BR算法示意圖

電子科技大學碩士學位論文12LP算法，從所有標簽中選擇k個標簽，從訓練集中選出與這k個標簽相關的樣本，得到一個新的數(shù)據(jù)集進行分類實驗。RAKEL方法的優(yōu)點是減少了LP的計算復雜度，缺點是只能預測訓練集中出現(xiàn)的標簽組合，具有很大的局限性。2.3.1.2基于標簽轉換方法該方法的思想是....

圖2-4集成學習

電子科技大學碩士學位論文14組合起來，取得比單個分類器更優(yōu)的性能，因此有時也被稱為弱學習器。但是在人們一般的經(jīng)驗中，如果把好壞不等的東西放到一起，效果通常會比壞的還要差。因此如何通過集成學習把多個學習器組合起來以獲得最好的性能成為眾多學者研究的核心。依據(jù)個體學習器不同的生成方式，....

本文編號：4025054