基于维度约简的多标记学习

发布时间：2024-01-27 06:14

　　多标记学习作为当前机器学习领域的研究热点,在实际应用中,为了提高多标记学习算法的分类性能,需要采集大量的特征。然而,过于繁多的特征则会引起维数灾难,分类困难的问题。因此,如何有效约简高维数据,对提升分类精度有着重要的意义。此外,以往多数维度约简算法均是依靠特征间的依赖关系评估特征的好坏,而很少有利用特征集合之间相似度程度作为衡量特征好坏的标准。基于此,本文提出两种多标记维度约简算法,主要内容如下:1.判别嵌入式聚类(Discriminative Embedded Clustering,DEC)算法是一种集维度约简与聚类的整合框架。考虑该方法在数据降维方面的有效性,本文将DEC算法应用到多标记数据特征降维中,提出基于DEC算法的多标记学习。该算法结合子空间学习与聚类的算法,有效避免了其它维度约简算法因矩阵奇异而无法求解的问题。实验与当前广泛使用的5种维度约简算法对比,结果表明基于DEC算法的多标记数据维度约简是可行的,其有效提升了多标记数据的分类性能。2.尽管DEC算法对多标记数据的维度约简是有效的,但该算法并没能充分考虑特征与标记集合以及特征与特征之间的关联度。因此,针对DEC算法以及...

【文章页数】：52 页

【学位级别】：硕士

【文章目录】：
摘要
abstract
第一章 绪论
    1.1 研究背景及意义
    1.2 国内外研究现状
        1.2.1 多标记分类算法研究现状
        1.2.2 多标记维度约简算法研究现状
    1.3 论文工作和论文结构
    1.4 本章小结
第二章 多标记学习与维度约简
    2.1 多标记学习基本知识
        2.1.1 基本定义
        2.1.2 基本评价指标
        2.1.3 主要任务
    2.2 多标记分类算法
        2.2.1 问题转换法
        2.2.2 算法适应法
    2.3 多标记维度约简
    2.4 本章小结
第三章 基于DEC算法的多标记学习
    3.1 概述
    3.2 判别嵌入式聚类(DEC)算法
    3.3 基于DEC算法的多标记学习
        3.3.1 算法分析
        3.3.2 计算复杂度分析
    3.4 实验结果与分析
        3.4.1 实验数据
        3.4.2 实验环境与方法
        3.4.3 多次交叉验证结果与分析
        3.4.4 多标记学习算法性能比较
    3.5 本章小结
第四章 基于互信息的的多标记特征选择
    4.1 概述
    4.2 相似度及互信息
        4.2.1 Intersection相似度
        4.2.2 信息论知识
        4.2.3 特征与标记集合的互信息
    4.3 基于互信息的多标记特征选择
        4.3.1 算法分析
        4.3.2 算法描述
    4.4 实验结果与分析
        4.4.1 实验数据
        4.4.2 方法与参数选择
        4.4.3 实验结果与分析
    4.5 本章小结
第五章 总结与展望
    5.1 工作总结
    5.2 工作展望
致谢
参考文献
附录 ：读研期间科研情况



本文编号：3886458