多標(biāo)記學(xué)習(xí)在機(jī)器學(xué)習(xí)、人工智能等方面得到廣泛的應(yīng)用。在多標(biāo)記學(xué)習(xí)框架下,為了更準(zhǔn)確地描述對(duì)象,需要收集大量的特征數(shù)據(jù),但隨著特征數(shù)據(jù)的不斷增加,冗余特征也隨之增多,會(huì)直接影響分類器的精度并可能增加模型訓(xùn)練時(shí)間。特征選擇是處理數(shù)據(jù)高維度問(wèn)題的一種有效方法,其通過(guò)在原始特征空間中刪除冗余或不相關(guān)特征選擇出一組含有原始特征空間全部或大部分信息的特征子集。目前,大部分特征選擇算法基本上都依據(jù)“最大相關(guān)性最小冗余性”這一準(zhǔn)則進(jìn)行特征選擇,但這種方法通常忽略了特征之間可能存在的相互影響和作用。為考慮特征間的相互作用力,本文將排斥損失和萬(wàn)有引力應(yīng)用到多標(biāo)記特征選擇上,將特征視為原子,特征間也存在引力作用或者排斥作用,并將這些作用力都視為引力場(chǎng)中的力。另外,上述方法選擇特征子集都是基于整個(gè)特征空間在進(jìn)行特征選擇之前都已全部提前獲取到。然而,在實(shí)際情況中,有些問(wèn)題其特征空間和標(biāo)記空間均呈現(xiàn)增量或動(dòng)態(tài)的特點(diǎn),如何處理這種動(dòng)態(tài)環(huán)境下的流特征選擇,值得進(jìn)一步研究。針對(duì)上述問(wèn)題,本文主要研究工作如下:（1）為考慮特征之間的作用力,借用物理磁極相互排斥吸引的原理,假設(shè)特征之間存在吸引或排斥力,并提出基于特征排斥損... 

【文章來(lái)源】：安慶師范大學(xué)安徽省

【文章頁(yè)數(shù)】：58 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

多標(biāo)記示例

17圖 3. 2 Health 數(shù)據(jù)集的各個(gè)評(píng)價(jià)指標(biāo)的性能變化 3.3 至表 3.7 所示的實(shí)驗(yàn)結(jié)果，我們可以發(fā)現(xiàn):于 Average Precision，Hamming Loss 和 Ranking Loss，可以發(fā)現(xiàn)在五個(gè)數(shù)據(jù)-FRL 的值達(dá)到最大值，即性能非常好。在數(shù)據(jù)集 Birds 上，F(xiàn)S-FRL 的 AP FNMIopt 的 AP 值低 0.007。根據(jù) 6 個(gè)數(shù)據(jù)集的平均排名結(jié)果，F(xiàn)S-FRL 排名現(xiàn)最佳.于 One Error，在六個(gè)數(shù)據(jù)集上，F(xiàn)S-FRL 在四個(gè)數(shù)據(jù)集上取得最優(yōu)值。在數(shù)據(jù)集中，F(xiàn)S-FRL 獲得的值與最優(yōu)值之間的差異很小。例如，在 Cal500 ，MFNMIpes 是最優(yōu)的，由 MFNMI 取得的海明損失值僅比 FS-FRL 取得的值低 0.004。于 Coverage，從表 3.7 中我們可以發(fā)現(xiàn) FS-FRL 在四個(gè)數(shù)據(jù)集上取得最小 C，即性能最佳。FS-FRL 在六個(gè)數(shù)據(jù)集的綜合排名中排名第一。

(e)CV圖 3. 3 在 6 個(gè)多標(biāo)記數(shù)據(jù)集上獲得的穩(wěn)定性指數(shù)值可以看出：（1）對(duì)于 Average Precision 和 On形，這意味著 FS-FRL 獲得更穩(wěn)定的解。并且。（2）對(duì)于 Hamming Loss 和 Ranking Loss定性，這表明算法 FS-FRL 具有很強(qiáng)的穩(wěn)定性集上的穩(wěn)定性指數(shù)在[0.38,0.5]之間達(dá)到相當(dāng)穩(wěn) 非常穩(wěn)定。算法主要基于相關(guān)性和冗余性，但其忽略了特，本章利用鄰域信息熵分別構(gòu)造特征吸引項(xiàng)和損失的多標(biāo)記特征選擇算法。所提出的算法在在鄰域模型的基礎(chǔ)上，當(dāng)樣本數(shù)量較少時(shí)，如

【參考文獻(xiàn)】：
期刊論文
[1]基于鄰域粗糙集的多標(biāo)記屬性約簡(jiǎn)算法[J]. 陳盼盼,林夢(mèng)雷,劉景華,林國(guó)平.  閩南師范大學(xué)學(xué)報(bào)(自然科學(xué)版). 2018(04)
[2]基于局部子空間的多標(biāo)記特征選擇算法[J]. 劉景華,林夢(mèng)雷,王晨曦,林耀進(jìn).  模式識(shí)別與人工智能. 2016(03)



本文編號(hào)：3134983