針對(duì)弱標(biāo)記和穩(wěn)定算法的多標(biāo)記集成學(xué)習(xí).pdf

1、隨著現(xiàn)代各種技術(shù)的迅速發(fā)展，現(xiàn)實(shí)生活中越來(lái)越多的應(yīng)用與多標(biāo)記數(shù)據(jù)密切相關(guān)，因此，多標(biāo)記數(shù)據(jù)的分類方法及其應(yīng)用成為當(dāng)前數(shù)據(jù)挖掘和機(jī)器學(xué)習(xí)領(lǐng)域的熱點(diǎn)問題。其中基于集成學(xué)習(xí)的多標(biāo)記數(shù)據(jù)分類方法是非常值得研究和探討的一個(gè)方向。
　　 集成學(xué)習(xí)能提高分類器的性能，Adaboost算法是典型的集成學(xué)習(xí)算法之一。但是，之前研究Adaboost算法是基于不穩(wěn)定且變化較大的學(xué)習(xí)算法，比如:決策樹，神經(jīng)網(wǎng)絡(luò)等。本文擴(kuò)展研究了Adaboost算法，使

2、其在穩(wěn)定且變化不大的算法的基礎(chǔ)上也能有很好的性能。在本文中，我們研究了基于懶惰算法——改進(jìn)的K近鄰學(xué)習(xí)算法MLKNN的Adaboost算法，并提出了Adaboost.ML算法。該算法的基本思想是:用MLKNN做AdaBoost算法的基分類器，并對(duì)AdaBoost算法做一部分修改，使其適合MLKNN算法，提高算法的性能。實(shí)驗(yàn)結(jié)果表明，Adaboost.ML算法具有很好的分類性能。
　　 另一方面，多標(biāo)記數(shù)據(jù)分類算法的研究越來(lái)越多，

3、多標(biāo)記數(shù)據(jù)分類算法主要是解決樣本同時(shí)屬于多個(gè)類別的分類問題，它適用于各種各樣的分類任務(wù)，但是，傳統(tǒng)的多標(biāo)記數(shù)據(jù)分類學(xué)習(xí)中，分類器大多都是針對(duì)大量的具有完整標(biāo)記的訓(xùn)練樣本，然而，在現(xiàn)實(shí)生活的許多應(yīng)用中，只能夠獲得一些標(biāo)記不完整的訓(xùn)練樣本。為了更好的利用這些不完整的訓(xùn)練樣本即弱標(biāo)記訓(xùn)練樣本，本文提出了一種針對(duì)弱標(biāo)記的多標(biāo)記數(shù)據(jù)分類的集成學(xué)習(xí)算法RPCME算法。該算法通過(guò)采用基于相似形成對(duì)約束投影的方法來(lái)處理數(shù)據(jù)集，更好的利用了弱標(biāo)記樣本的特