多標簽分類中的特征選擇算法研究.pdf

1、模式分類通過學習已知類別的樣本建立分類器，再對類別未知的樣本進行預測。根據單個樣本包含標簽的多少，通常將分類問題分為單標簽分類問題和多標簽分類問題兩類。多標簽分類問題的每一個樣本與一個或多個標簽相關聯(lián)，標簽之間存在相關性。在多標簽數據集中，大量冗余特征、不相關特征的存在，可能會增加分類的復雜度，甚至導致分類器性能的降低。因此，特征選擇在多標簽分類中發(fā)揮著重要的作用。
　　本文基于過濾式的特征選擇算法，構建了兩種算法擴展型的多標簽特

2、征選擇方法:(1)基于二次規(guī)劃模型和Frank-Wolfe優(yōu)化求解算法的多標簽特征選擇算法QPFS-FW;(2)基于Hilbert-Schmidt獨立性準則和帶控制策略的遺傳算法的多標簽特征選擇算法CGA-HSIC。
　　對于QPFS-FW方法，二次規(guī)劃模型同時考察特征之間的冗余性、特征與標簽之間的相關性，Frank-Wolfe算法及其兩種特例形式能快速地求解優(yōu)化問題，并保證解的稀疏性。實驗部分，本文在10個多標簽基準數據集上，將

3、QPFS-FW與3種多標簽特征選擇方法在10種多標簽分類性能評價指標、特征子集的大小、特征選擇時間這三個方面上進行了對比。實驗結果表明，QPFS-FW能在較短時間內，有效地篩選出維數最低的特征子集，并提高分類器的性能。
　　對于CGA-HSIC方法，Hilbert-Schmidt獨立性準則評估特征與標簽之間的相關性，帶控制策略的遺傳算法對每次篩選的特征數進行控制，快速收斂到全局最優(yōu)解。實驗部分，本文首先在Emotions數據集上確