基于多目標優(yōu)化的多標簽分類算法研究.pdf

1、分類問題是模式識別的核心研究內容,其目的是通過對己知標簽數據集的學習設計一個分類器,然后用該分類器來預測新樣本的標簽。按照樣本所屬標簽個數,分類問題可以分為單標簽分類問題和多標簽分類問題。在多標簽分類問題中,標簽與標簽之間存在著一定的依賴或關聯關系,而且問題中的樣本可以同時屬于多個標簽,因此多標簽分類問題是最為復雜的分類問題之一。目前,現實世界中存在著大量的多標簽分類問題,多標簽分類算法有非常廣泛的應用前景,它將會引起人們越來越多的關注

2、和重視。
　　 對于多標簽分類問題,本文提出了一種新穎的直接處理多標簽分類問題的方法,該方法在一個優(yōu)化問題中同時考慮所有的標簽,保持標簽與標簽之間的關聯關系。我們算法的基本設計思路:首先根據多標簽支持向量機Rank-SVM的基本原理,建立兩個目標優(yōu)化函數,即最大化分類間隔函數和最小化排序損失函數,然后引入多目標優(yōu)化技術,利用目前廣泛使用的進化多目標優(yōu)化方法即改進的非劣分類算法(NSGA-II)來同時優(yōu)化這兩個目標函數,從而直接處

3、理多標簽分類問題。
　　 在算法的實驗部分,本文歸納了多種常用的多標簽分類算法的評價標準,然后在四個公開的基準數據集,即酵母數據集、場景數據集、情感數據集和基因數據集上開展計算實驗,并與一些現有的多標簽分類算法進行分類性能比較。由于任何一個多標簽分類算法都不能保證在所有的評價標準上都能達到最優(yōu),因此,本文為實驗中各個算法的每個評價標準進行打分,然后求每個算法的總得分,根據這個總分對所有算法的性能進行排序。實驗結果表明,在與Boo