基于邻域粗糙集的多标记分类特征选择算法

被引：256

作者：

段洁 ^{[1
]}

胡清华 ^{[1
]}

张灵均 ^{[1
]}

钱宇华 ^{[2
]}

李德玉 ^{[2
]}

机构：

[1] 天津大学计算机科学与技术学院

[2] 山西大学计算机与信息技术学院

来源：

计算机研究与发展 | 2015年 / 52卷 / 01期

基金：

国家自然科学基金重点项目;

关键词：

多标记分类; 特征选择; 邻域粗糙集; 依赖度;

D O I：

暂无

中图分类号：

TP18 [人工智能理论];

学科分类号：

140502 [人工智能];

摘要：

多标记学习是一类复杂的决策任务,同一个对象可能同时属于多个类别.此类任务在文本分类、图像识别、基因功能分析等领域广泛存在.多标记分类任务往往由高维特征描述,存在大量无关和冗余的信息.目前已经提出了大量的单标记特征选择算法以应对维数灾难问题,但对于多标记的属性约简和特征选择却鲜有研究.将粗糙集应用于多标记数据的特征选择中,针对多标记分类任务,重新定义了邻域粗糙集的下近似和依赖度计算方法,探讨了这一模型的性质,进而构造了基于邻域粗糙集的多标记分类任务的特征选择算法,并给出了在公开数据上的实验结果.实验分析证明算法的有效性.

引用

页码：56 / 65

页数：10

共 13 条

[1]

一类基于信息熵的多标签特征选择算法 [J].

张振海 ;

李士宁 ;

李志刚 ;

陈昊 .

计算机研究与发展, 2013, 50 (06) :1177-1184

[2]

一种基于正则化的半监督多标记学习方法 [J].

李宇峰 ;

黄圣君 ;

周志华 .

计算机研究与发展, 2012, 49 (06) :1272-1278

[3]

一种基于随机游走模型的多标签分类算法 [J].

郑伟 ;

王朝坤 ;

刘璋 ;

王建民 .

计算机学报, 2010, 33 (08) :1418-1426

[4]

多标记学习的嵌入式特征选择 [J].

葛雷 ;

李国正 ;

尤鸣宇 .

南京大学学报(自然科学版), 2009, 45 (05) :671-676

[5]

基于邻域粗糙集的符号与数值属性快速约简算法 [J].

胡清华 ;

赵辉 ;

于达仁 .

模式识别与人工智能, 2008, 21 (06) :732-738

[6]

应用粗糙计算.[M].胡清华; 于达仁; 著.科学出版社.2012,

[7]

Rough集理论与知识获取.[M].王国胤编著;.西安交通大学出版社.2001,

[8]

Multi-label classification by exploiting label correlations [J].

Yu, Ying ;

Pedrycz, Witold ;

Miao, Duoqian .

EXPERT SYSTEMS WITH APPLICATIONS, 2014, 41 (06) :2989-3004

[9]

Neighborhood rough sets based multi-label classification for automatic image annotation.[J].Ying Yu;Witold Pedrycz;Duoqian Miao.International Journal of Approximate Reasoning.2013,

[10]

Multilabel Dimensionality Reduction via Dependence Maximization [J].

Zhang, Yin ;

Zhou, Zhi-Hua .

ACM TRANSACTIONS ON KNOWLEDGE DISCOVERY FROM DATA, 2010, 4 (03)

← 1 2 →