近年來,大數(shù)據(jù)技術(shù)以及人工智能技術(shù)得到了高速的發(fā)展,同時也推動了多標記學(xué)習(xí)的發(fā)展,多標記學(xué)習(xí)逐漸被諸多學(xué)者和專家列入重點的研究課題并在這方面取得了非常不錯的成績。其中,多標記特征選擇也在數(shù)據(jù)挖掘和機器學(xué)習(xí)中得到了越來越多的關(guān)注,而且已經(jīng)提出了大量的算法來實現(xiàn)特征空間的降維,并成功地應(yīng)用于多種領(lǐng)域。多標記特征選擇的目的就是實現(xiàn)特征降維,選擇具有高度鑒別能力的特征,來實現(xiàn)相關(guān)性最大化與冗余性最小化。與多標記特征提取不同,特征選擇是從原始特征空間中選擇特征,不進行任何變換,很好地保留了原始特征的物理意義,在可讀性和可解釋性方面,多標記特征選擇算法已成為許多研究者關(guān)注的焦點。在多數(shù)特征選擇算法中主要利用信息熵等方法判斷相關(guān)性,利用條件概率判斷冗余性,這些方法不僅需要先驗知識,而且計算較為復(fù)雜。并且進行多標記特征選擇時,標記具有其本身所獨有的屬性,這些獨有的屬性對于標記具有很強的判別能力,因此,加強對類屬屬性的研究,可以更加高效地開展多標記學(xué)習(xí),基于上述問題,本文提出了兩種特征選擇算法,主要內(nèi)容如下:（1）本文利用粗糙集隸屬度與肯德爾相關(guān)系數(shù)進行特征選擇。粗糙集計算的特點就是不需要先驗知識,對數(shù)... 

【文章來源】：安慶師范大學(xué)安徽省

【文章頁數(shù)】：52 頁

【學(xué)位級別】：碩士

【部分圖文】：

單標記學(xué)習(xí)樣例

21.2國內(nèi)外研究現(xiàn)狀在傳統(tǒng)的單標記學(xué)習(xí)過程中，我們所認為的真實世界，它的每一個對象只存在一個類別標記與之對應(yīng)，例如圖1.1我們只把它標記為“兔子”，沒有了其它標記。但是我們知道在現(xiàn)實的世界中，每一個對象都具有很多種類別屬性，存在很多的類別標記，即屬于多標記的類別標記。例如圖1.2，我們可以把圖片做出多個標記，如“天空”，“海水”，“沙子”等。圖1.1單標記學(xué)習(xí)樣例多標記問題在我們的實際生活中也是非常常見的，例如在文本分類中，一篇文章可能被標記為“地理”，“歷史”類文章；在風(fēng)景分類中，一張圖片可能被標注為“鮮花”或“樹林”；在一篇“當(dāng)前政治會議對經(jīng)濟的影響”的新聞報道中，我們可以把這篇報道標記為“政治”或“經(jīng)濟”新聞來表現(xiàn)出這兩方面的相關(guān)性等等。隨著我們時代的快速發(fā)展，我們生產(chǎn)生活所產(chǎn)生的數(shù)據(jù)也在不斷地增加，數(shù)據(jù)的復(fù)雜化使得傳統(tǒng)對象的語義變得不唯一，單一語義的單標記學(xué)習(xí)完全不能滿足數(shù)據(jù)發(fā)展的要求。越來越多的國內(nèi)外學(xué)者開始廣泛關(guān)注于多標記對象的多義性特點。在多標記學(xué)習(xí)過程中，一個對象可以對應(yīng)多種解釋，我們就把這些多種解釋，標注為合理的類別標記，即標記子集。作為一種學(xué)習(xí)建模工具，多標記學(xué)習(xí)框架應(yīng)運而生[9]。圖1.2多標記學(xué)習(xí)樣例與單標記不同，多標記學(xué)習(xí)問題在我們的學(xué)習(xí)、生產(chǎn)、生活中有著非常多的應(yīng)用，在建立多義性對象學(xué)習(xí)模型方面扮演著非常重要的角色�，F(xiàn)在在很多的領(lǐng)域多標記都有著廣泛的應(yīng)用，比如在文本分類[10-11]、情感分析[12-13]、生物信息學(xué)[14]和圖像視頻自動標注[15]等方面，其中最早出現(xiàn)于文檔分類中所遇見的歧義性問天空海水沙子兔子

9術(shù)的應(yīng)用與開發(fā)，提高數(shù)據(jù)運行的準確性和運行效率，來完善特征選擇方法，體現(xiàn)一定的應(yīng)用價值。在機器學(xué)習(xí)的相關(guān)領(lǐng)域中，特征數(shù)量一般會比較高，因此不相關(guān)的特征勢必會對特征產(chǎn)生不同程度的影響，不同的特征之間也會出現(xiàn)一定程度的依賴性，可能會產(chǎn)生一些不理想的后果，具體表述為：(1)特征個數(shù)與之前相比逐漸增加，導(dǎo)致特征的分析以及模型的訓(xùn)練時間不斷延長。(2)特征個數(shù)的不斷增加為“維度災(zāi)難”的產(chǎn)生提供了條件，導(dǎo)致模型逐漸趨向復(fù)雜化發(fā)展，對其推廣能力產(chǎn)生嚴重的影響�？偟膩碇v，不同類型與屬性的新搜索算法為特征選擇算法的應(yīng)用與實踐提供了有力的支持與保障，再加上評估標準的不斷完善，推動了特征選擇算法的發(fā)展與進步。特征選擇方法流程圖，（如圖2.1所示）。特征選擇方法大致可以分成三種不同類型：過濾式（filter）、包裹式（wrapper）和嵌入式(embedding)。圖2.1特征選擇一般流程2.3.1過濾式選擇(filter)過濾式方法的特征選擇過程中，（如圖2.2所示），需要基于數(shù)據(jù)集完成特征的正確選擇，再選擇合適的訓(xùn)練學(xué)習(xí)器。借助特征的有效選擇完成初試特征的快速“過濾”，以完成過濾處理后的特征為基礎(chǔ)，對模型進行訓(xùn)練。

【參考文獻】：
期刊論文
[1]基于標記增強的多標記代價敏感特征選擇算法[J]. 黃錦濤,錢文彬,王映龍.  小型微型計算機系統(tǒng). 2020(04)
[2]基于標記相關(guān)性的多標記三支分類算法[J]. 余鷹,吳新念,王樂為,張應(yīng)龍.  山東大學(xué)學(xué)報(理學(xué)版). 2020(03)
[3]不平衡訓(xùn)練數(shù)據(jù)下的基于深度學(xué)習(xí)的文本分類[J]. 陳志,郭武.  小型微型計算機系統(tǒng). 2020(01)
[4]基于專家特征的條件互信息多標記特征選擇算法[J]. 程玉勝,宋帆,王一賓,錢坤.  計算機應(yīng)用. 2020(02)
[5]基于標簽相關(guān)性的類屬屬性多標簽分類算法[J]. 牟甲鵬,蔡劍,余孟池,徐建.  計算機應(yīng)用研究. 2020(09)
[6]多標簽學(xué)習(xí)中基于互信息的快速特征選擇方法[J]. 徐洪峰,孫振強.  計算機應(yīng)用. 2019(10)
[7]彈性網(wǎng)絡(luò)核極限學(xué)習(xí)機的多標記學(xué)習(xí)算法[J]. 王一賓,裴根生,程玉勝.  智能系統(tǒng)學(xué)報. 2019(04)
[8]文本分類TF-IDF算法的改進研究[J]. 葉雪梅,毛雪岷,夏錦春,王波.  計算機工程與應(yīng)用. 2019(02)
[9]基于稀疏表示的視頻目標跟蹤研究綜述[J]. 黃宏圖,畢篤彥,侯志強,胡長城,高山,查宇飛,庫濤.  自動化學(xué)報. 2018(10)
[10]基于粗糙集的數(shù)據(jù)流多標記分布特征選擇[J]. 程玉勝,陳飛,王一賓.  計算機應(yīng)用. 2018(11)



本文編號：3131987