计算机应用
計算機應用
계산궤응용
Journal of Computer Applications
2015年
10期
2761-2765
,共5页
标签相关性%K近邻多标签%条件概率%多标签分类
標籤相關性%K近鄰多標籤%條件概率%多標籤分類
표첨상관성%K근린다표첨%조건개솔%다표첨분류
label correlation%Multi-Label K Nearest Neighbor (ML-KNN)%conditional probability%multi-label classification
针对K近邻多标签(ML-KNN)分类算法中未考虑标签相关性的问题,提出了一种基于标签相关性的K近邻多标签分类(CML-KNN)算法.首先,计算出标签集合中每对标签间的条件概率;其次,对于即将被预测的标签,将其与已经预测的标签间的条件概率进行排序,求出最大值;最后,将最大值跟对应标签值相乘同时结合最大化后验概率(MAP)来构造多标签分类模型,对新标签进行预测.实验结果表明,所提算法在Emotions数据集上的分类性能均优于ML-KNN、AdaboostMH、RAkEL、BPMLL这4种算法;在Yeast、Enron数据集上仅在1～2个评价指标上低于ML-KNN与RAkEL算法.由实验分析可知,该算法取得了较好的分类效果.
針對K近鄰多標籤(ML-KNN)分類算法中未攷慮標籤相關性的問題,提齣瞭一種基于標籤相關性的K近鄰多標籤分類(CML-KNN)算法.首先,計算齣標籤集閤中每對標籤間的條件概率;其次,對于即將被預測的標籤,將其與已經預測的標籤間的條件概率進行排序,求齣最大值;最後,將最大值跟對應標籤值相乘同時結閤最大化後驗概率(MAP)來構造多標籤分類模型,對新標籤進行預測.實驗結果錶明,所提算法在Emotions數據集上的分類性能均優于ML-KNN、AdaboostMH、RAkEL、BPMLL這4種算法;在Yeast、Enron數據集上僅在1～2箇評價指標上低于ML-KNN與RAkEL算法.由實驗分析可知,該算法取得瞭較好的分類效果.
침대K근린다표첨(ML-KNN)분류산법중미고필표첨상관성적문제,제출료일충기우표첨상관성적K근린다표첨분류(CML-KNN)산법.수선,계산출표첨집합중매대표첨간적조건개솔;기차,대우즉장피예측적표첨,장기여이경예측적표첨간적조건개솔진행배서,구출최대치;최후,장최대치근대응표첨치상승동시결합최대화후험개솔(MAP)래구조다표첨분류모형,대신표첨진행예측.실험결과표명,소제산법재Emotions수거집상적분류성능균우우ML-KNN、AdaboostMH、RAkEL、BPMLL저4충산법;재Yeast、Enron수거집상부재1～2개평개지표상저우ML-KNN여RAkEL산법.유실험분석가지,해산법취득료교호적분류효과.
