多標(biāo)記分類(lèi)中的半監(jiān)督降維和集成學(xué)習(xí).pdf

1、多標(biāo)記分類(lèi)及其應(yīng)用是當(dāng)前機(jī)器學(xué)習(xí)和數(shù)據(jù)挖掘領(lǐng)域的熱點(diǎn)問(wèn)題，其中多標(biāo)記維度約減和多標(biāo)記集成分類(lèi)是非常值得研究和探討的兩個(gè)方向。傳統(tǒng)機(jī)器學(xué)習(xí)的研究對(duì)象是數(shù)據(jù)樣本僅具有一個(gè)標(biāo)記的單標(biāo)記問(wèn)題，而本文主要研究樣本同時(shí)具有多個(gè)標(biāo)記的多標(biāo)記問(wèn)題。論文研究了多標(biāo)記分類(lèi)、半監(jiān)督學(xué)習(xí)、維度約減和集成學(xué)習(xí)的基本方法及其在各種數(shù)據(jù)集上的應(yīng)用，并分別從數(shù)據(jù)預(yù)處理和分類(lèi)器集成兩個(gè)角度，研究了如何結(jié)合半監(jiān)督學(xué)習(xí)對(duì)高維多標(biāo)記數(shù)據(jù)進(jìn)行維度約減和如何利用集成學(xué)習(xí)提高多標(biāo)記

2、分類(lèi)的性能。
　　 實(shí)際中常遇到高維多標(biāo)記數(shù)據(jù)僅有少量標(biāo)記樣本而大部分樣本卻沒(méi)有標(biāo)記的情況，為了有效去除冗余特征并使用未標(biāo)記樣本提供的潛在信息，將半監(jiān)督學(xué)習(xí)引入到多標(biāo)記維度約減中，提出基于半監(jiān)督判別分析的多標(biāo)記維度約減算法(MSDA)。該算法利用標(biāo)記樣本的屬性圖加權(quán)矩陣和部分標(biāo)記的相似關(guān)聯(lián)矩陣，最大化不同類(lèi)別樣本之間的分離度，同時(shí)使用未標(biāo)記樣本估計(jì)原始高維數(shù)據(jù)在低維數(shù)據(jù)流行上的內(nèi)在幾何結(jié)構(gòu)。實(shí)驗(yàn)表明，MSDA算法在多個(gè)分類(lèi)評(píng)價(jià)指

3、標(biāo)上的平均性能均優(yōu)于其他方法，證實(shí)了算法的有效性。
　　 針對(duì)多標(biāo)記數(shù)據(jù)的分類(lèi)性能不理想的問(wèn)題，將集成學(xué)習(xí)引入到多標(biāo)記分類(lèi)中，提出一種基于軟成對(duì)約束投影的多標(biāo)記集成算法(SPACME)。該算法通過(guò)重采樣訓(xùn)練樣本提供的軟成對(duì)約束信息建立初始基分類(lèi)器，利用獲得的cannot-link集合和must-link集合構(gòu)建約束投影矩陣，并將原始數(shù)據(jù)映射到新的數(shù)據(jù)空間表示，然后在轉(zhuǎn)換后的數(shù)據(jù)集上使用權(quán)重更新策略迭代地訓(xùn)練一組基分類(lèi)器以增加差異