基于粒计算的K近邻多标签学习算法

被引:12
作者
陈小波
吴涛
高正龙
机构
[1] 安徽大学数学科学学院
关键词
多标签学习; 粒计算; K近邻; 粒度; 评价指标;
D O I
暂无
中图分类号
TP181 [自动推理、机器学习];
学科分类号
140502 [人工智能];
摘要
K近邻多标签学习算法的近邻点个数取固定值,而没有考虑样本分布的特点,可能会将相似度高的点排除在近邻集外,或者将相似度低的点包含在近邻集内,影响分类器的性能。为此,将粒计算的思想引入近邻集的构建,提出一种新的K近邻多标签学习算法。通过粒度控制,确定近邻点集,使得领域内的样本点有高相似性,且此类样本能进入近邻集。实验结果表明,该算法的大多数评价指标均优于现有的多标签学习算法。
引用
收藏
页码:167 / 170+175 +175
页数:5
相关论文
共 5 条
[1]
Ml-rbf: RBF Neural Networks for Multi-Label Learning [J].
Zhang, Min-Ling .
NEURAL PROCESSING LETTERS, 2009, 29 (02) :61-74
[2]
Multi-Label Classification: An Overview.[J].Grigorios Tsoumakas;Ioannis Katakis.International Journal of Data Warehousing and Mining (IJDWM).2007, 3
[3]
BoosTexter: A boosting-based system for text categorization [J].
Schapire, RE ;
Singer, Y .
MACHINE LEARNING, 2000, 39 (2-3) :135-168
[4]
问题求解理论及应用.[M].张铃; 张钹; 著.清华大学出版社.2007,
[5]
基于覆盖的多标记学习方法研究 [J].
段震 ;
程家兴 ;
张铃 .
计算机工程与应用, 2010, 46 (14) :20-23