学位论文 > 优秀研究生学位论文题录展示

一种利用类标号关系的多类标号分类算法

作　者: 张亚亚
导　师: 范明
学　校: 郑州大学
专　业: 计算机软件与理论
关键词: 多类标号分类特征选择数据挖互信息机器学习
分类号: TP181
类　型: 硕士论文
年　份: 2012年
下　载: 44次
引　用: 0次
阅　读: 论文下载

内容摘要

传统的分类问题中,一个实例只和一个类标号相关联,但是多类标号分类问题中,一个实例可以和多个类标号相关联,所以,与单类标号分类问题的任务不同,多类标号分类的任务是为一个新实例预测一个合适的类标号集合。目前,如何充分利用类标号之间关联关系是多类标号分类问题成功的关键,但是,已有的多类标号分类方法往往认为类标号之间是相互独立的,忽略了类标号之间的关联关系,失去了大量的可利用信息,严重影响了分类器的性能。为了解决上面提到的问题,本文提出了一种新的多类标号分类方法(multi-label classification by exploiting relationship of labels,简称MCER)。该算法有效的利用了类标号之间的关联关系,MCER算法有两个关键步骤：(1)在原类标号集合中加入一个虚拟类标号,然后为每一对的类标号学习一个分类器。虚拟类标号主要用于预测过程中。(2)在为一对类标号学习分类器时,MCER算法以互信息为标准选择与待学习类标号对关联程度较大的类标号,并视它为一般的特征属性。在预测阶段,MCER算法得到对每一个类标号的投票数,并根据虚拟类标号的投票数(阈值)对未见样本进行预测。实验结果与分析表明,在大部分数据集上,MCER算法表现出显著优势。本文的研究内容可以应用在很多领域,如文本分类、基因功能的预测以及对图片和音频的语义标注等众多领域。对于加快各个领域的发展具有十分重要的意义。

全文目录

摘要  4-5
Abstract  5-8
1 绪论  8-12
  1.1 研究背景与现状  8-10
  1.2 本文工作概述  10-11
  1.3 本文内容与框架  11-12
2 背景知识  12-27
  2.1 符号约定  12
  2.2 分类的概念  12-13
  2.3 相关定义  13-14
  2.4 特征选择  14-15
  2.5 已有的多类标号分类算法  15-27
    2.5.1 问题转换  16-26
      2.5.1.1 (Binary relevance)BR方法  17-19
      2.5.1.2 CC(The Classifier Chain Model)方法  19-21
      2.5.1.3 Ranking by Pairwise Comparison(RPC)方法  21-23
      2.5.1.4 Calibrated Label Ranking(CLR)方法  23-26
    2.5.2 扩展单类标号分类算法  26-27
3 利用类标号关系的多类标号分类方法  27-35
  3.1 存在问题以及改进方向  27-29
    3.1.1 存在问题  27-28
    3.1.2 改进方向  28-29
  3.2 算法思想  29-33
  3.3 算法分析  33-35
4 实验设计与性能分析  35-45
  4.1 实验数据集  35-37
  4.2 衡量标准  37-38
  4.3 实验结果  38-43
    4.3.1 实验一结果  39-40
    4.3.2 实验二结果  40-41
    4.3.3 实验三结果  41
    4.3.4 实验四结果  41-42
    4.3.5 实验五结果  42-43
  4.4 实验结果与分析  43-45
5 总结及展望  45-47
参考文献  47-50
致谢  50-51
个人简历、在学期间发表的学术论文与研究成果  51

一种利用类标号关系的多类标号分类算法

内容摘要

全文目录

相似论文