基于非負矩陣分解的多標簽分類算法研究_第1頁
已閱讀1頁,還剩56頁未讀, 繼續(xù)免費閱讀

下載本文檔

版權說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權,請進行舉報或認領

文檔簡介

1、碩士學位論文基于非負矩陣分解的多標簽基于非負矩陣分解的多標簽分類分類算法研究算法研究TheResearchonMultilabelClassificationAlgithmsViaNonnegativeMatrixFactization作者姓名:楊爍陶學科、專業(yè):軟件工程學號:21417032指導教師:于紅完成日期:2017319大連理工大學DalianUniversityofTechnology萬方數(shù)據(jù)大連理工大學碩士學位論文I摘要多

2、標簽分類算法是機器學習中的一個重要方向。多標簽分類算法可以用來解決同時具有多個標簽的樣本數(shù)據(jù)的分類問題以及排序問題。其研究成果廣泛地應用于各個領域如文本信息分類、圖像視頻的語義標注、功能基因組等。相較于每個樣本只對應一個類別標簽的傳統(tǒng)單標簽分類算法,多標簽分類算法更能滿足實際應用的需求。本文提出兩種解決多標簽分類的方法MLNMF和iMLNMF,iMLNMF是MLNMF的擴展算法,在原算法的基礎上變換了概率計算公式,使得算法在對大數(shù)據(jù)集處

3、理上效果更加明顯。目前已經(jīng)提出了若干多標簽分類算法,這些方法均能對樣本點進行多標簽分類,然而如何更加高效的將樣本點與多個標簽對應,以及如何挖掘出樣本的特征與標簽之間的直接對應關系并加以利用依然沒有得到徹底的解決。MLNMF和iMLNMF算法均是利用非負矩陣分解來解決多標簽分類問題的。該方法相對于已提出的算法,既能保證多標簽預測的準確性,也能保證算法運行時間上的高效性。MLNMF和iMLNMF算法通過挖掘樣本點的特征與標簽之間的直接對應關

4、系進而得到標簽概率預測模型(LPPM),接著通過決策樹算法為每個標簽生成對應的分類器。最后,利用LPPM模型和分類器為無標簽樣本預測所對應的多個標簽。論文在多個標準數(shù)據(jù)集和大數(shù)據(jù)集上對比了基于非負矩陣分解的分類算法與經(jīng)典分類算法實驗結果表明,MLNMF和iMLNMF算法的效果要優(yōu)于或者接近于經(jīng)典算法并且在算法效率方面十分突出。因此,MLNMF和iMLNMF算法在多標簽分類的實際需求中有著非常高的實用價值。關鍵詞:多標簽分類;機器學習;非

溫馨提示

  • 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內(nèi)容里面會有圖紙預覽,若沒有圖紙預覽就沒有圖紙。
  • 4. 未經(jīng)權益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護處理,對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對任何下載內(nèi)容負責。
  • 6. 下載文件中如有侵權或不適當內(nèi)容,請與我們聯(lián)系,我們立即糾正。
  • 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

評論

0/150

提交評論