多標記學習作為當前機器學習領(lǐng)域的研究熱點,在實際應(yīng)用中,為了提高多標記學習算法的分類性能,需要采集大量的特征。然而,過于繁多的特征則會引起維數(shù)災(zāi)難,分類困難的問題。因此,如何有效約簡高維數(shù)據(jù),對提升分類精度有著重要的意義。此外,以往多數(shù)維度約簡算法均是依靠特征間的依賴關(guān)系評估特征的好壞,而很少有利用特征集合之間相似度程度作為衡量特征好壞的標準�；诖�,本文提出兩種多標記維度約簡算法,主要內(nèi)容如下:1.判別嵌入式聚類(Discriminative Embedded Clustering,DEC)算法是一種集維度約簡與聚類的整合框架�？紤]該方法在數(shù)據(jù)降維方面的有效性,本文將DEC算法應(yīng)用到多標記數(shù)據(jù)特征降維中,提出基于DEC算法的多標記學習。該算法結(jié)合子空間學習與聚類的算法,有效避免了其它維度約簡算法因矩陣奇異而無法求解的問題。實驗與當前廣泛使用的5種維度約簡算法對比,結(jié)果表明基于DEC算法的多標記數(shù)據(jù)維度約簡是可行的,其有效提升了多標記數(shù)據(jù)的分類性能。2.盡管DEC算法對多標記數(shù)據(jù)的維度約簡是有效的,但該算法并沒能充分考慮特征與標記集合以及特征與特征之間的關(guān)聯(lián)度。因此,針對DEC算法以及...

【文章頁數(shù)】：52 頁

【學位級別】：碩士

【文章目錄】：
摘要
abstract
第一章 緒論
    1.1 研究背景及意義
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 多標記分類算法研究現(xiàn)狀
        1.2.2 多標記維度約簡算法研究現(xiàn)狀
    1.3 論文工作和論文結(jié)構(gòu)
    1.4 本章小結(jié)
第二章 多標記學習與維度約簡
    2.1 多標記學習基本知識
        2.1.1 基本定義
        2.1.2 基本評價指標
        2.1.3 主要任務(wù)
    2.2 多標記分類算法
        2.2.1 問題轉(zhuǎn)換法
        2.2.2 算法適應(yīng)法
    2.3 多標記維度約簡
    2.4 本章小結(jié)
第三章 基于DEC算法的多標記學習
    3.1 概述
    3.2 判別嵌入式聚類(DEC)算法
    3.3 基于DEC算法的多標記學習
        3.3.1 算法分析
        3.3.2 計算復雜度分析
    3.4 實驗結(jié)果與分析
        3.4.1 實驗數(shù)據(jù)
        3.4.2 實驗環(huán)境與方法
        3.4.3 多次交叉驗證結(jié)果與分析
        3.4.4 多標記學習算法性能比較
    3.5 本章小結(jié)
第四章 基于互信息的的多標記特征選擇
    4.1 概述
    4.2 相似度及互信息
        4.2.1 Intersection相似度
        4.2.2 信息論知識
        4.2.3 特征與標記集合的互信息
    4.3 基于互信息的多標記特征選擇
        4.3.1 算法分析
        4.3.2 算法描述
    4.4 實驗結(jié)果與分析
        4.4.1 實驗數(shù)據(jù)
        4.4.2 方法與參數(shù)選擇
        4.4.3 實驗結(jié)果與分析
    4.5 本章小結(jié)
第五章 總結(jié)與展望
    5.1 工作總結(jié)
    5.2 工作展望
致謝
參考文獻
附錄 ：讀研期間科研情況



本文編號：3886458