基于樣例及屬性特征分析的多標記分類算法研究.pdf

1、多標記學習自出現(xiàn)以來，為各領(lǐng)域普遍存在的多義或歧義性問題提供了有效的解決辦法，彌補了傳統(tǒng)單標記學習的不足。作為機器學習及數(shù)據(jù)挖掘方向的一個研究熱點，多標記學習已廣泛應用于各個研究領(lǐng)域。本文緒論簡要綜述了多標記學習研究背景與意義、兩個關(guān)注方向的多標記分類算法的研究現(xiàn)狀；詳細介紹了多標記學習相關(guān)的理論基礎(chǔ)，包括學習框架、性能評價指標及測試基準數(shù)據(jù)集；對本文所使用的對比算法進行了詳細介紹。
　　多標記分類是多標記學習任務重要的組成部分，

2、關(guān)于多標記分類算法的研究，絕大多數(shù)研究者關(guān)注的是標記空間，主要算法大致分為三類：算法適應方法、問題轉(zhuǎn)化方法、集成方法。第一類方法是對傳統(tǒng)已有的學習算法進行改進擴展使其適應多標記數(shù)據(jù)；第二類是將多標記問題轉(zhuǎn)化為若干個單標記問題或者回歸問題進行處理；第三類是把上述兩類方法單獨或者聯(lián)合集成為一個算法處理多標記數(shù)據(jù)?；谔卣鲗傩钥臻g的分類算法考慮到了樣例的特征屬性空間操作對分類性能的影響，其分類效果不亞于其他算法。另外，通過挖掘樣例之間數(shù)值關(guān)系

3、，將關(guān)系映射到標記空間，也為標記預測提供了新的思路。
　　本文對多標記分類問題進行的研究如下：
　?。?）基于特征屬性的多標記分類研究，提出了一種改進I2C距離的多標記場景分類算法。已出現(xiàn)的基于特征屬性的算法都是對原始數(shù)據(jù)特征屬性進行各種變換，另外對原始數(shù)據(jù)集特征提取方法的改變也可以達到目的。本文將多標記場景圖像進行重新提取surf特征，改變了傳統(tǒng)以一個向量表示一個樣本的方法，變?yōu)橐韵蛄考媳硎疽粋€樣本，分類即轉(zhuǎn)變?yōu)榛谔卣?/p>

4、屬性粒度；其次采用改進的I2C計算方法來計算待測圖像與已知類之間的距離；最后利用標記相關(guān)性預測所有可能的標記，通過實驗表明該方法在各評價指標上效果有所提升。
　　（2）基于樣例數(shù)值關(guān)系的多標記分類研究，提出了一種通過挖掘樣例之間數(shù)值關(guān)系預測樣例標記的多標記學習方法。傳統(tǒng)分類算法中，用到樣例之間關(guān)系的只是在特征空間比較兩個樣例之間的相似性，借此推測類別標記，忽略了存在于樣例之間的數(shù)值關(guān)系。充分挖掘樣例之間的數(shù)值關(guān)系，將挖掘的數(shù)值關(guān)系