排序方式: 共有3条查询结果,搜索用时 15 毫秒
1
1.
针对多标签分类问题,建立一种考虑标签间相关性的多标签分类模型.首先,对属性值为数值型的多标签数据集,建立基于类和属性依赖度的离散化MLAIM(Multi-Label Attribute Interdependence Maximization)算法.其次,通过对标签集进行贝叶斯网结构学习,得到每个标签的父节点,提出标签相关的多标签分类模型,即MLLD(Multi-Label Classification algorithm based on Lael Dependency)算法,并给出MLLD算法的具体过程.通过数值实验将MLLD算法与二元关联(BR)算法等4种算法进行比较,结果表明MLLD算法分类效果更好. 相似文献
2.
在多标签分类问题中,通过k近邻的分类思想,构造测试样本关于近邻样本类别标签的新数据,通过回归模型建立在新数据下的多标签分类算法。计算测试样本在每个标签上考虑距离的k近邻,构造出每个样本关于标签的新数据集。对新数据集采取线性回归和Logistic回归,给出基于样本k近邻数据的多标签分类算法。为了进一步利用原始数据的信息,考虑每个标签关于原始属性的Markov边界,结合新数据的特征建立新的回归模型,提出考虑Markov边界的多标签分类算法。实验结果表明所给出的方法性能优于常用的多标签学习算法。 相似文献
3.
1