發(fā)布時間：2021-01-22 13:36

　　現(xiàn)實中的數(shù)據(jù)往往具有多標記性。例如,一張圖片可能同時包含“沙漠”、“駱駝”和“藍天”等語義標注;一篇新聞報道可能同時包含“經(jīng)濟”、“戰(zhàn)爭”和“政治”等主題;一段話可能同時包含有“愉悅”和“悲傷”等情感。多標記數(shù)據(jù)的高維性,會增加分類、聚類等數(shù)據(jù)挖掘任務(wù)的困難性,如增加挖掘算法的時間復(fù)雜度以及模型的復(fù)雜度等。特征選擇是一種保證對挖掘結(jié)果不變差的條件下,盡量使用較少的特征進行建模的數(shù)據(jù)預(yù)處理技術(shù)。目前的多標記數(shù)據(jù)特征選擇研究還未對標記之間的關(guān)系進行充分利用,同時在特征選擇后,直接使用已有的分類,未很好的利用特征選擇的結(jié)果。為此,融合標記關(guān)系,開展多標記數(shù)據(jù)的特征選擇以及針對特征選擇結(jié)果的分類器的設(shè)計研究,主要研究內(nèi)容和結(jié)論如下:（1）基于模糊不一致對的多標記屬性約簡本文將每個標記視做一個隨機變量,利用KL散度度量標記關(guān)系,結(jié)合該標記關(guān)系,賦予每個標記以權(quán)重,結(jié)合標記權(quán)重定義模糊不一致樣本對。用屬性對模糊不一致樣本對的區(qū)分能力定義屬性重要度,提出了一種基于模糊不一致對的多標記屬性約簡算法。在對8個公開的多標記數(shù)據(jù)集當中,采用6種評價指標,證明了所提算法的有效性。（2）融合標記關(guān)系的K近鄰多標... 

【文章來源】：山西大學(xué)山西省

【文章頁數(shù)】：67 頁

【學(xué)位級別】：碩士

【部分圖文】：

多標

融合標記關(guān)系的多標記模糊粗糙建模研究26(a)漢明損失(HL)(b)排序損失(RL)(c)1-錯誤率(OE)(d)覆蓋率(CV)(e)平均精度(AP)(f)Micro-F1微平均(F1)圖3.1數(shù)據(jù)集business上6種評價指標下各算法的分類性能的變化情況根據(jù)表3.3-3.8可以得出以下結(jié)論：（1）對于AP指標，RL指標，HL指標，CV指標，OE指標上MLAR-FL算法在八個數(shù)據(jù)集合上得到的分類精度都高于其余4種算法；對于F1指標，computer，health，reference數(shù)據(jù)集上，MALR-FL算法低于其余算法。因而，對于6個評價指標而言，MLAR-FL在前五個評價指標上的表現(xiàn)很好，在F1指標上，得到的結(jié)果并非最好。（2）從統(tǒng)計的8個數(shù)據(jù)集合，6個評價指標，總共48個對比結(jié)果可以看出，

第三章基于模糊不一致對的多標記屬性約簡27(a)漢明損失(HL)(b)排序損失(RL)(c)1-錯誤率(OE)(d)覆蓋率(CV)(e)平均精度(AP)(f)Micro-F1微平均(F1)圖3.2數(shù)據(jù)集reference上6種評價指標下各算法的分類性能的變化情況MLAR-FL的勝率為93.75%，總體而言，MLAR-FL的分類情況較好�？傊�，在8個數(shù)據(jù)集上，MLAR-FL的分類性能比其余4種算法的分類性能好。但是即使得到的特征子集在分類器上的分類性能優(yōu)，也不能表示可以從整體上了解算法的分類性能在特征數(shù)目變化時的變化情況。為了能夠從整體上直觀的看到各個算法的分類性能隨著特征數(shù)目的變化情況，圖3.1-3.3分別給出了在數(shù)據(jù)集business，reference，science上面六種性能評價指標AP，HL，RL，OE，CV，F(xiàn)1下，分類性能隨著特征數(shù)目的變化趨勢。由于FRMFS


本文編號：2993319