检索结果-南通市图书馆

在线全文

学校读者我要写书评

暂无评论

基于标记权重和mRMR的多标记特征选择

山西大学学报(自然科学版) 2023年第1期46卷 40-52页

作者：孙林徐枫王振徐久成河南师范大学计算机与信息工程学院河南师范大学智慧商务与物联网技术河南省工程实验室

在多标记学习中，现有的最大相关最小冗余（maximum Relevance and Minimum Redundancy, mRMR）算法未充分考虑标记之间以及特征与标记之间的相关性，导致算法分类性能偏弱。文章结合标记权重改进了mRMR算法，提出一种新的多标记特征选... 详细信息

在多标记学习中，现有的最大相关最小冗余（maximum Relevance and Minimum Redundancy, mRMR）算法未充分考虑标记之间以及特征与标记之间的相关性，导致算法分类性能偏弱。文章结合标记权重改进了mRMR算法，提出一种新的多标记特征选择方法。首先，基于标准互信息计算标记与标记之间的关联度，使用每个标记与标记集关联度占所有标记与标记集之间关联度之和的比例，定义标记权重，结合关联度与标记权重构建新的最大相关性公式，进而建立新的mRMR计算公式，使用mRMR算法获取最初的候选特征子集；然后，计算特征与标记之间的标准互信息并结合标记权重，定义特征与标记集之间的相关度，从最初候选特征子集中进一步剔除冗余特征，筛选最优特征子集；最后，设计了一种标记权重和mRMR的多标记特征选择算法。在8个多标记数据集上进行仿真实验，实验结果表明该算法能够有效提高多标记数据的分类性能。

关键词：多标记学习特征选择最大相关最小冗余标记权重

来源：博看期刊

基于标记权重与加权核极限学习机的多标记学习研究

在线全文

学校读者我要写书评

暂无评论

基于标记权重与加权核极限学习机的多标记学习研究

作者：郑海安庆师范大学

学位级别：硕士

多标记学习是机器学习和数据挖掘中的研究重点之一,其目的是通过分析已有多标记数据对未知样本进行较准确的预测。在大多数多标记数据集中,描述样本的特征数存在大量冗余特征。冗余特征不仅影响分类精度,还增加了计算的复杂性。特征选... 详细信息

多标记学习是机器学习和数据挖掘中的研究重点之一,其目的是通过分析已有多标记数据对未知样本进行较准确的预测。在大多数多标记数据集中,描述样本的特征数存在大量冗余特征。冗余特征不仅影响分类精度,还增加了计算的复杂性。特征选择能有效解决上述问题。然而,在实际分类问题中,类不平衡的问题也是机器学习的研究难点之一。本文充分调研了相关参考文献,总结了研究现状,分析了现有方法的优缺点。在此基础上,挖掘标记对样本可区分度对标记赋权值。并针对类不平衡问题提出了一种解决方法,本文的主要研究工作如下:（1）挖掘出标记对样本可区分度,并依据此对标记赋权值,提出了基于核函数和标记权重的多标记特征选择算法（Multi-label feature selection based on kernel function and label weighting,KF-LW）。首先分别统计贴有不同标记的样本数量。若对某个标记,贴有该标记的样本数量明显高于含有其他标记的样本数量,则表明该标记的权重越大,根据标记空间的信息对标记进行权重赋值;然后,利用核函数将原始特征空间映射到高维空间,使得特征具有可分性,最后根据信息熵度量特征与标记空间之间的相关性,并以此作为度量标准选择特征子集。（2）针对类不平衡问题,以加权核极限学习机为基础,并将其应用到多标记分类问题中,提出了基于加权的核极限学习机的多标记学习算法（Multi-label learning algorithm based on weighted kernel extreme learning machine,ML-WKELM）,该算法通过计算每个样本的正例标记个数以及统计平均样本标记个数,为每个样本计算权值矩阵,分类器为少数类样本赋更大的权重,而为多数类样本赋较小权重,以此解决多标记类不平衡问题,提高分类精度。

关键词：多标记学习特征选择标记权重类不平衡问题核极限学习机

一种基于标记权重的MLKNN集成多标记分类算法

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

信息记录材料 2023年第7期24卷 184-186,190页

作者：蔡小刚南京机电职业技术学院江苏南京211306

在多标记分类问题中,考虑标记间的相关性是提升分类器性能的主要方法之一。集成学习具有很多优势,尤其在提高学习系统的泛化能力上表现尤为突出。因此,提出了一种利用样本的特征空间的分类间隔赋予不同类标不同的权重的Ada-MLKNN算法。... 详细信息

在多标记分类问题中,考虑标记间的相关性是提升分类器性能的主要方法之一。集成学习具有很多优势,尤其在提高学习系统的泛化能力上表现尤为突出。因此,提出了一种利用样本的特征空间的分类间隔赋予不同类标不同的权重的Ada-MLKNN算法。该算法基于传统Adaboost算法框架改进,考虑到多标记样本标记的权重以及分类器的权重,采用基于权重的汉明损失作为阈值来判断样本的分类是否正确,使其适应性扩展到MLKNN多标记学习算法。实验结果表明,该算法有效提升了分类器的性能。

关键词：多标记分类集成学习标记权重

维普期刊数据库博看期刊

在线全文

学校读者我要写书评

暂无评论

基于核函数和标记权重的多标记特征选择

绥化学院学报 2020年第11期40卷 148-152页

作者：郑海钱萌安庆师范大学计算机与信息学院安徽省高校智能感知与计算重点实验室安徽安庆246011

对于多标记学习,不同的标记对区分样本有着不同程度的作用,因此,根据标记的重要性为不同标记赋予不同权重可能有利于提高多标记学习精度。基于这一假设,提出了一种基于核函数和标记权重的多标记特征选择算法。首先,根据标记所含样本的... 详细信息

对于多标记学习,不同的标记对区分样本有着不同程度的作用,因此,根据标记的重要性为不同标记赋予不同权重可能有利于提高多标记学习精度。基于这一假设,提出了一种基于核函数和标记权重的多标记特征选择算法。首先,根据标记所含样本的个数对标记赋予相应的权重。然后,利用核函数将特征空间映射到区分性强的高维特征空间中,在映射后的特征空间中,利用信息熵度量特征与标记空间之间的相关性,对特征进行排序。最后,多个公开数据集上的实验结果表明该算法优于一些先进的对比算法。

关键词：多标记特征选择标记权重核函数信息熵

在线全文

学校读者我要写书评

暂无评论

基于模糊不一致对的多标记属性约简

智能系统学报 2020年第2期15卷 374-385页

作者：高琪李德玉王素格山西大学计算机科学与信息技术学院山西太原030006 山西大学计算智能与中文信息处理教育部重点实验室山西太原030006

在实际生活当中,存在着大量的高维多标记数据,为解决维度灾难问题,通常需要约简属性集。针对目前的多标记属性约简算法未考虑标记关系问题,本文提出了一种融合标记关系的模糊不一致对多标记属性约简算法。利用相对熵(KL散度)度量标记之... 详细信息

在实际生活当中,存在着大量的高维多标记数据,为解决维度灾难问题,通常需要约简属性集。针对目前的多标记属性约简算法未考虑标记关系问题,本文提出了一种融合标记关系的模糊不一致对多标记属性约简算法。利用相对熵(KL散度)度量标记之间的关系,定义标记权重,结合标记权重,定义模糊不一致对,考虑到属性对于模糊不一致对的区分性,定义属性重要性并进行属性约简。在8个数据集上的对比实验表明,所提基于模糊不一致对的多标记属性约简算法优于当前的多标记属性约简算法。

关键词：多标记数据属性约简模糊不一致对标记权重 KL散度标记关系模糊粗糙集区分矩阵

在线全文

学校读者我要写书评

暂无评论

基于信息粒化的多标记特征选择算法

模式识别与人工智能 2018年第2期31卷 123-131页

作者：王晨曦林耀进唐莉傅为林培榕闽南师范大学计算机学院漳州363000 数据科学与智能应用福建省高等学校重点实验室漳州363000

特征选择旨在从原始特征空间中选择一组规模较小的特征子集,在分类学习任务中提供与原集合近似或更好的性能.文中提出基于信息粒化的多标记特征选择算法,融合标记权重与样本平均间隔,将改进的邻域信息熵应用到特征选择过程中.在6组数据... 详细信息

特征选择旨在从原始特征空间中选择一组规模较小的特征子集,在分类学习任务中提供与原集合近似或更好的性能.文中提出基于信息粒化的多标记特征选择算法,融合标记权重与样本平均间隔,将改进的邻域信息熵应用到特征选择过程中.在6组数据集以及5个评价指标上的实验表明文中算法在分类上的有效性.

关键词：特征选择信息粒化标记权重多标记学习

基于ReliefF和最大相关最小冗余的多标记特征选择

在线全文

学校读者我要写书评

暂无评论

河南师范大学学报（自然科学版） 2023年第6期51卷 21-29,F0002页

作者：孙林徐枫李硕王振河南师范大学计算机与信息工程学院河南新乡453007

针对现有的特征选择模型未涉及特征和标记集之间的相关度,造成分类精度偏低等情况,提出了基于ReliefF和最大相关最小冗余(maximum Relevance and Minimum Redundancy,mRMR)的多标记特征选择.首先,运用互信息计算每个标记和标记集之间的... 详细信息

针对现有的特征选择模型未涉及特征和标记集之间的相关度,造成分类精度偏低等情况,提出了基于ReliefF和最大相关最小冗余(maximum Relevance and Minimum Redundancy,mRMR)的多标记特征选择.首先,运用互信息计算每个标记和标记集之间的相关度,使用每项相关度占其相关度之和的比例设计了标记权重,由此构建了特征和标记集间的相关度,初选与标记集相关度高的特征;其次,计算对象在特征上的距离,构建了新的特征权值更新公式,基于标记权重改进多标记ReliefF模型.然后,基于互信息和标记权重构建了最大相关性,设计了最小冗余性及其新的最大相关最小冗余评价准则,并将其应用于多标记特征选择,进一步剔除冗余特征;最后,设计了一种基于ReliefF和最大相关最小冗余的多标记特征选择算法,有效提高了多标记分类性能.在8个多标记数据集上测试所提算法的平均分类精度、覆盖率、汉明损失、1错误率和排序损失,实验结果证明了该算法的有效性.

关键词：多标记学习特征选择标记权重 ReliefF 最大相关最小冗余

在线全文

学校读者我要写书评

暂无评论

基于标记重要性的多标记特征选择算法

湘潭大学自然科学学报 2017年第4期39卷 1-5页

作者：魏葆雅林梦雷郑艺峰闽南师范大学计算机学院福建漳州363000 闽南师范大学数学与统计学院福建漳州363000 中国石油大学(北京)地球物理与信息工程学院北京102249

针对标记重要性不同,且这种不同可能会为多标记学习提供一定的信息,该文提出了基于标记重要性的多标记特征选择算法.该算法首先引入核函数将特征空间映射到一个新的可分性强的特征空间,在映射后的特征空间中利用标记对样本的可分性对标... 详细信息

针对标记重要性不同,且这种不同可能会为多标记学习提供一定的信息,该文提出了基于标记重要性的多标记特征选择算法.该算法首先引入核函数将特征空间映射到一个新的可分性强的特征空间,在映射后的特征空间中利用标记对样本的可分性对标记赋以权重;其次,在每个新映射的特征空间计算样本的分类间隔,并将该间隔作为特征权重来衡量特征的重要性;最后,联合标记权重和特征权重,对特征进行排序,得到一组新的特征重要性排序.实验结果表明:该算法优于一些当前流行的多标记特征选择算法.

关键词：特征选择标记重要性标记权重分类间隔