基于标签依赖关系的多标签分类方法
发布时间：2021-03-18 04:19
多标签学习广泛应用于文本分类、图像标注、视频语义注释、基因功能分析等问题。近年来,多标签学习日益受到学术界和工业界的关注,成为机器学习领域中的研究热点,并且取得了显著的进步。然而,多标签学习经常受到标签数量、标签之间依赖关系、标签缺失等影响,多标签学习仍然是一项极具挑战的研究。标签之间依赖关系是复杂且重要的因素,它的有效学习会丰富数据表示的内涵,对提升多标签分类性能产生重要作用。因此,多标签分类主要面临以下挑战:不同标签之间存在关联性,并且关联性存在较大差异;随着标签数量的增长,标签之间依赖关系变得复杂,并且面临时间和空间复杂度的挑战;以及标签依赖关系在标签缺失问题中的应用。本文针对上述问题提出了两种多标签分类模型,主要工作和贡献如下:提出了基于神经网络探究标签依赖全局关系的模型NNADOmega。考虑到不同标签之间存在不同的相关性,本文构建了标签依赖全局关系矩阵来刻画标签之间的依赖关系。该矩阵关于主对角线对称,主对角线表示每个标签与自身的依赖关系,并且该依赖关系最强。NNADOmega模型的优势在...
【文章来源】：北京交通大学北京市 211工程院校 教育部直属院校
【文章页数】：68 页
【学位级别】：硕士
【部分图文】：
一多标签学习框架
多标签分类及相关理论基础??间中找到一个分离超平面，能将样本分到不同的类别。但存在无穷个分离超平面??可将两类数据正确分开，如图２－３所示。直觉上，应该选择位于两类训练样本“正??中间”的超平面，即图２－３中最粗的那个，因为该超平面所产生的分类结果是鲁棒??的，对未知样本的泛化性能最强。??０?Ｉ??图２－３存在多个超平面将两类训练样本分开??Ｆｉｇｕｒｅ?２－３?Ｓｅｐａｒａｔｉｏｎ?ｏｆ?ｔｗｏ?ｔｙｐｅｓ?ｏｆ?ｔｒａｉｎｉｎｇ?ｓａｍｐｌｅｓ?ｂｙ?ｍｕｌｔｉｐｌｅ?ｈｙｐｅｒｐｌａｎｅｓ??在样本的特征空间中，分离超平面可描述为??ｗＴｘ?＋?ｂ?＝?０?（２－３）??其中，》＾＝（＼＾１；｜＾２；．．．；＼＾）为法向量，决定了超平面的方向；６为位移项，决定了超平??面与原点之间的距离，记超平面为（ｗ，６），样本空间中任意点；ｃ到超平面的距??离为??Ｈ＞ＪＸ?＋?ｂ??（２＿４）??假设超平面能将训练样本正确分类，即??［ｗ１?ｘｉ?＋?６＞＋１?ｙｔ?＝?＋１??＋?６＜－１?兄＝—１?（￣?５）??如图２－４所示，距离超平面最近的这几个训练样本点使式（２－５）的等号成立，它??们被称为“支持向量”
多标签分类及相关理论基础??间中找到一个分离超平面，能将样本分到不同的类别。但存在无穷个分离超平面??可将两类数据正确分开，如图２－３所示。直觉上，应该选择位于两类训练样本“正??中间”的超平面，即图２－３中最粗的那个，因为该超平面所产生的分类结果是鲁棒??的，对未知样本的泛化性能最强。??０?Ｉ??图２－３存在多个超平面将两类训练样本分开??Ｆｉｇｕｒｅ?２－３?Ｓｅｐａｒａｔｉｏｎ?ｏｆ?ｔｗｏ?ｔｙｐｅｓ?ｏｆ?ｔｒａｉｎｉｎｇ?ｓａｍｐｌｅｓ?ｂｙ?ｍｕｌｔｉｐｌｅ?ｈｙｐｅｒｐｌａｎｅｓ??在样本的特征空间中，分离超平面可描述为??ｗＴｘ?＋?ｂ?＝?０?（２－３）??其中，》＾＝（＼＾１；｜＾２；．．．；＼＾）为法向量，决定了超平面的方向；６为位移项，决定了超平??面与原点之间的距离，记超平面为（ｗ，６），样本空间中任意点；ｃ到超平面的距??离为??Ｈ＞ＪＸ?＋?ｂ??（２＿４）??假设超平面能将训练样本正确分类，即??［ｗ１?ｘｉ?＋?６＞＋１?ｙｔ?＝?＋１??＋?６＜－１?兄＝—１?（￣?５）??如图２－４所示，距离超平面最近的这几个训练样本点使式（２－５）的等号成立，它??们被称为“支持向量”
【参考文献】：
期刊论文
[1]基于标签相关性的多标签分类AdaBoost算法[J]. 王莉莉,付忠良. 四川大学学报(工程科学版). 2016(05)
本文编号：3087979
【文章来源】：北京交通大学北京市 211工程院校 教育部直属院校
【文章页数】：68 页
【学位级别】：硕士
【部分图文】：
一多标签学习框架
多标签分类及相关理论基础??间中找到一个分离超平面，能将样本分到不同的类别。但存在无穷个分离超平面??可将两类数据正确分开，如图２－３所示。直觉上，应该选择位于两类训练样本“正??中间”的超平面，即图２－３中最粗的那个，因为该超平面所产生的分类结果是鲁棒??的，对未知样本的泛化性能最强。??０?Ｉ??图２－３存在多个超平面将两类训练样本分开??Ｆｉｇｕｒｅ?２－３?Ｓｅｐａｒａｔｉｏｎ?ｏｆ?ｔｗｏ?ｔｙｐｅｓ?ｏｆ?ｔｒａｉｎｉｎｇ?ｓａｍｐｌｅｓ?ｂｙ?ｍｕｌｔｉｐｌｅ?ｈｙｐｅｒｐｌａｎｅｓ??在样本的特征空间中，分离超平面可描述为??ｗＴｘ?＋?ｂ?＝?０?（２－３）??其中，》＾＝（＼＾１；｜＾２；．．．；＼＾）为法向量，决定了超平面的方向；６为位移项，决定了超平??面与原点之间的距离，记超平面为（ｗ，６），样本空间中任意点；ｃ到超平面的距??离为??Ｈ＞ＪＸ?＋?ｂ??（２＿４）??假设超平面能将训练样本正确分类，即??［ｗ１?ｘｉ?＋?６＞＋１?ｙｔ?＝?＋１??＋?６＜－１?兄＝—１?（￣?５）??如图２－４所示，距离超平面最近的这几个训练样本点使式（２－５）的等号成立，它??们被称为“支持向量”
多标签分类及相关理论基础??间中找到一个分离超平面，能将样本分到不同的类别。但存在无穷个分离超平面??可将两类数据正确分开，如图２－３所示。直觉上，应该选择位于两类训练样本“正??中间”的超平面，即图２－３中最粗的那个，因为该超平面所产生的分类结果是鲁棒??的，对未知样本的泛化性能最强。??０?Ｉ??图２－３存在多个超平面将两类训练样本分开??Ｆｉｇｕｒｅ?２－３?Ｓｅｐａｒａｔｉｏｎ?ｏｆ?ｔｗｏ?ｔｙｐｅｓ?ｏｆ?ｔｒａｉｎｉｎｇ?ｓａｍｐｌｅｓ?ｂｙ?ｍｕｌｔｉｐｌｅ?ｈｙｐｅｒｐｌａｎｅｓ??在样本的特征空间中，分离超平面可描述为??ｗＴｘ?＋?ｂ?＝?０?（２－３）??其中，》＾＝（＼＾１；｜＾２；．．．；＼＾）为法向量，决定了超平面的方向；６为位移项，决定了超平??面与原点之间的距离，记超平面为（ｗ，６），样本空间中任意点；ｃ到超平面的距??离为??Ｈ＞ＪＸ?＋?ｂ??（２＿４）??假设超平面能将训练样本正确分类，即??［ｗ１?ｘｉ?＋?６＞＋１?ｙｔ?＝?＋１??＋?６＜－１?兄＝—１?（￣?５）??如图２－４所示，距离超平面最近的这几个训练样本点使式（２－５）的等号成立，它??们被称为“支持向量”
【参考文献】：
期刊论文
[1]基于标签相关性的多标签分类AdaBoost算法[J]. 王莉莉,付忠良. 四川大学学报(工程科学版). 2016(05)
本文编号：3087979
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/3087979.html
