模式识别与人工智能
模式識彆與人工智能
모식식별여인공지능
Moshi Shibie yu Rengong Zhineng
2010年
6期
862-866
,共5页
半监督学习%Spearman相关系数%多标签分类
半鑑督學習%Spearman相關繫數%多標籤分類
반감독학습%Spearman상관계수%다표첨분류
通过采用Spearman相关系数矩阵取代临时分类标记来构造标签相关性模块,提出一种改进的带Spearman相关性的多标签高斯随机域(MLQ-GRF)算法,以减少临时分类标记的不确定性.实验对比所得结果表明,文中构造的改进的MLQ-GRF算法对于扰动和带误差的临时分类标记有更好的稳定性,能提高分类的精确度.
通過採用Spearman相關繫數矩陣取代臨時分類標記來構造標籤相關性模塊,提齣一種改進的帶Spearman相關性的多標籤高斯隨機域(MLQ-GRF)算法,以減少臨時分類標記的不確定性.實驗對比所得結果錶明,文中構造的改進的MLQ-GRF算法對于擾動和帶誤差的臨時分類標記有更好的穩定性,能提高分類的精確度.
통과채용Spearman상관계수구진취대림시분류표기래구조표첨상관성모괴,제출일충개진적대Spearman상관성적다표첨고사수궤역(MLQ-GRF)산법,이감소림시분류표기적불학정성.실험대비소득결과표명,문중구조적개진적MLQ-GRF산법대우우동화대오차적림시분류표기유경호적은정성,능제고분류적정학도.
