利用分类器链进行多维学习的高效蒙特卡罗方法

Luengo García,大卫 ORCID代码:https://orcid.org/0000-0001-7407-3630,读,杰西卢卡·马蒂诺(2014年)。利用分类器链进行多维学习的高效蒙特卡罗方法.“模式识别”,第47节(n.3);第1535-1546页。ISSN 0031-3203。 https://doi.org/10.1016/j.patcog.2013.10.06.

描述(Descripción)

蒂图罗: 利用分类器链进行多维学习的高效蒙特卡罗方法
汽车:
Tipo de Documento公司: 艺术
蒂图洛·德雷维斯塔/公共事务: 模式识别
德国福查: 2014年3月
国际标准编号: 0031-3203
Volumen公司: 47
材料:
Palabras Clave Informales宫: 分类器链;多维分类;多标签分类;蒙特卡罗方法;贝叶斯推断
埃斯库埃拉: E.T.S.I.y电信系统(UPM)
部门: Señal社区
Licencias Creative Commons许可证: Reconcimiento-Sin obra deridada-无商业用途

完成文本

[INVE_MEM_2014_194084.pdf缩略图]
维斯塔·普雷维亚
PDF(可移植文档格式) -Se necesita un visor de ficheros PDF,como公司GSview公司,Xpdf公司o(o)Adobe Acrobat阅读器
Descargar公司(14MB)|维斯塔·普雷维亚

简历

多维分类(MDC)是一种有监督的学习问题,其中实例与多个类相关联,而不是与传统分类问题中的单个类相关联。
由于这些类通常具有很强的相关性,因此对它们之间的依赖关系进行建模可以使MDC方法以增加计算成本为代价来提高其性能。在本文中,我们重点讨论了用于建模依赖关系的分类器链(CC)方法,这是多标签分类(MLC)最流行、性能最高的方法之一,也是MDC的一个特例
它只涉及二进制类(即标签)。原始CC算法进行贪婪近似,
速度很快,但往往会沿着链传播错误。在这里,我们提出了新的蒙特卡罗方法,既可以找到一个好的链序列,又可以进行有效的推理。我们的算法对于高维数据集仍然易于处理,并在多个实际数据集中获得最佳预测性能。

协会项目

蒂波
Código公司
阿科尼莫
责任的
蒂图罗
西班牙政府
CSD2008-00010型
COMONSENS公司
特别罪
特殊情况下
西班牙政府
TEC2012-38800-C03-01型
ALCIT公司
特别罪
特别罪
西班牙戈比耶诺
TEC2012-38058-C03-01型
剖析
特别罪
特殊情况下
西班牙政府
TEC2012-38883-C02-01
综合
特别罪
特别罪

马斯信息

注册ID: 35934
识别器DC: https://oa.upm.es/35934/
识别器OAI: oai:oa.upm.es:35934
识别器DOI: 2016年10月10日/j.附件2013.10.006
官方URL: http://www.sciencedirect.com/science/article/pii/S。。。
Depositado por公司: 备忘录调查
Depositado埃尔: 2016年2月12日17:20
Ultima Modificacion公司: 2019年6月10日06:56
  • 徽标InvestigaM(UPM)
  • 标志夏尔巴/罗密欧
    康普贝si-la revista anglosajona en la que ha publicado un artículo permite también su publicación en abierto。
  • 标志Dulcinea
    康普贝si-la revista española en la que ha publicado un artículo permite también su publicación en abierto。
  • UPM门户网站Científico徽标
  • REBIUN标志 塞克塞尼奥斯 ANECA标志
  • 标志GEOUP4
  • 徽标开放访问
  • 开放式访问
  • 重新选择徽标
  • UPM OpenCourseWare徽标