计算机应用
計算機應用
계산궤응용
COMPUTER APPLICATION
2013年
z1期
40-42,68
,共4页
任志博%王莉莉%付忠良%张丹普%杨燕霞
任誌博%王莉莉%付忠良%張丹普%楊燕霞
임지박%왕리리%부충량%장단보%양연하
多标签分类%AdaBoost算法%Ranking Loss%分类器组合%集成学习
多標籤分類%AdaBoost算法%Ranking Loss%分類器組閤%集成學習
다표첨분류%AdaBoost산법%Ranking Loss%분류기조합%집성학습
multi-label classification%AdaBoost algorithm%Ranking Loss%classification combination%ensemble learning
针对目标可以属于多个类别的多标签分类问题,提出了一种基于Ranking Loss最小化的集成学习方法.算法基于Real AdaBoost算法的核心思想,从Ranking Loss定义出发,以Ranking Loss在样本空间最小化为目标,采取迭代的方法训练多个弱分类器,并将这些弱分类器集成起来构成强分类器,强分类器的Ranking Loss随着弱分类器个数的增加而逐渐减少,并给出了算法流程.通过理论分析和实验数据对比验证了提出的多标签分类算法的有效性和稳定性.
針對目標可以屬于多箇類彆的多標籤分類問題,提齣瞭一種基于Ranking Loss最小化的集成學習方法.算法基于Real AdaBoost算法的覈心思想,從Ranking Loss定義齣髮,以Ranking Loss在樣本空間最小化為目標,採取迭代的方法訓練多箇弱分類器,併將這些弱分類器集成起來構成彊分類器,彊分類器的Ranking Loss隨著弱分類器箇數的增加而逐漸減少,併給齣瞭算法流程.通過理論分析和實驗數據對比驗證瞭提齣的多標籤分類算法的有效性和穩定性.
침대목표가이속우다개유별적다표첨분류문제,제출료일충기우Ranking Loss최소화적집성학습방법.산법기우Real AdaBoost산법적핵심사상,종Ranking Loss정의출발,이Ranking Loss재양본공간최소화위목표,채취질대적방법훈련다개약분류기,병장저사약분류기집성기래구성강분류기,강분류기적Ranking Loss수착약분류기개수적증가이축점감소,병급출료산법류정.통과이론분석화실험수거대비험증료제출적다표첨분류산법적유효성화은정성.
