多標簽分類中關鍵技術的研究.pdf

1、隨著信息時代的發(fā)展，各種形式的數據呈現飛速的增長態(tài)勢，對數據進行快速準確的分類是目前數據挖掘和機器學習領域研究的重點。按對數據進行描述使用的標簽個數可將數據分為單標簽數據和多標簽數據兩種。由于多標簽數據的特征與標簽彼此之間的關聯性使得多標簽數據比單標簽數據的分類問題更為復雜，所以對多標簽分類相關問題的研究成為新的研究熱點。本文主要對多標簽分類中的特征選擇方法和分類算法進行了研究。
　　針對多標簽數據特征的稀疏性和高維性，提出了一種

2、基于文化基因算法的多標簽特征選擇方法MA-MLFS，實現特征的降維，本文主要研究了文化基因算法中的局部搜索策略。在局部搜索過程中，每次迭代都選擇種群中適應度最優(yōu)的一條染色體，根據特征與標簽集之間的相關性強弱選擇相應的特征對該染色體進行局部“加”和“減”操作，在新生成的染色體中選擇適應度最強且優(yōu)于原染色體的個體將原染色體替換，從而找出局部最優(yōu)解，優(yōu)化種群。該方法有效地避免了遺傳算法容易陷入局部最優(yōu)解的問題。
　　由于多標簽數據中的每

3、個標簽具有各自獨有的特性，設計了一種基于標簽特性的多標簽分類算法LC-KNN。該算法采用k-means聚類算法對訓練集中每個標簽的正負樣本集合進行聚類，找出相同個數的聚類中心，將預測樣本是否包含某個標簽的問題轉化為二分類問題，將該標簽的正負聚類中心作為訓練集，采用KNN分類算法進行分類。在計算待預測樣本與正樣本間的距離時進行加權處理，使得待預測樣本與正負樣本之間的距離分布更明顯，最后將每個標簽的分類結果進行組合，得到待預測樣本所屬的標簽

4、集。該算法充分利用了標簽具備的特性，有效地避免了標簽分布不均衡對分類效果造成的影響。
　　采用ML-KNN多標簽分類算法對MA-MLFS和其它兩種多標簽特征選擇方法GA和FSIG進行驗證，從分類的平均精度對比可知MA-MLFS方法比其它兩種方法在不同的數據集上高出的范圍大約在2％～5％之間，驗證了MA-MLFS方法是有效的。然后采用LC-KNN算法對用MA-MLFS特征選擇后的不同數據集進行分類，與ML-KNN算法的分類結果進行對