关联分类的改进及多标签分类的特征选择研究

发布时间：2023-04-05 20:47

　　分类问题是机器学习领域的一个重要研究方向,它通过学习数据发现其中的规律来构建一个分类模型,该模型将用于预测待分类数据的类别。传统意义上的分类多指单标签分类,即每个待分类样本被分类器指定唯一的标签作为类标签,根据数据集的特性,又分为平衡数据和不平衡数据。准确率是评价算法性能好坏的一个重要指标,算法的准确率越高代表算法的分类性能越好。关联分类算法是一种挖掘关联规则用于分类的算法,具有规则多、分类精度较高的优点。然而关联分类算法虽然产生的规则多,但是其中高质量的规则少,尤其是针对不平衡数据难以有效地提取高质量地小类规则,不能很好的兼顾整体准确率和小类分类性能。此外,现实中许多数据往往具有不止一个标签,这类数据被称为多标签数据,多标签数据的分类的就是要为每一个样本尽可能地标注出所有与其相关的标签,但是多标签数据往往数据量庞大且维数众多,难以直接进行有效进行学习。因此需要对数据集进行降维。传统的一些特征选择算法对部分标签没有保留足够的重要特征,导致分类算法难以有效对特征选择后的数据集进行学习。本文针对以上问题在算法层面上做了以下三个研究。首先,针对传统的关联分类算法产生的冗余规则较多,而高质量规...

【文章页数】：61 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第1章 绪论
    1.1 课题的研究背景及意义
    1.2 关联分类的研究现状
    1.3 多标签特征选择的国内外研究现状
    1.4 论文主要研究内容与组织结构
第2章 基于多次学习和关联度的关联分类改进算法
    2.1 关联分类的不足
    2.2 基于多次学习和关联度的关联分类算法IAMC
        2.2.1 相关的标记及定义
        2.2.2 IAMC算法分类器构建
    2.3 实验设计与结果
    2.4 本章小结
第3章 基于各类支持度阈值独立挖掘的关联改进算法
    3.1 改进的关联分类算法ACCS
        3.1.1 相关定义
        3.1.2 ACCS算法的规则挖掘
        3.1.3 规则排序、剪枝与新实例预测
        3.1.4 算法的伪代码及流程图
    3.2 实验设计与结果
    3.3 本章小结
第4章 基于标签重要性的多标签特征选择算法
    4.1 多标签特征选择算法研究
    4.2 改进的基于标签重要性的多标签的特征选择算法MILR
    4.3 实验设计与结果
    4.4 本章小结
第5章 论文的总结和展望
    5.1 论文总结
    5.2 今后工作展望
参考文献
致谢
攻读硕士学位期间承担的科研任务与主要成果



本文编号：3784103