ML-KNN公司

Ml-knn:多标签学习的懒惰学习方法。多标签学习起源于对文本分类问题的研究,其中每个文档可以同时属于多个预定义的主题。在多标签学习中,训练集由每个实例与一组标签相关联组成,其任务是通过分析已知标签集的训练实例来预测未知实例的标签集。本文在传统的K-最近邻(KNN)算法的基础上,提出了一种多标签懒惰学习方法ML-KNN。具体来说,对于每一个不可见的实例,首先确定其在训练集中的K个最近邻。然后,根据从这些相邻实例的标签集中获得的统计信息,即属于每个可能类的相邻实例的数量,利用最大后验概率(MAP)原理来确定不可见实例的标签集。在酵母基因功能分析、自然场景分类和网页自动分类三种不同的现实世界多标签学习问题上的实验表明,ML-KNN比已有的多标签学习算法具有更好的性能。


zbMATH参考文献(58篇文章引用)

显示第1到第20个结果,共58个。
按年份排序(引用)
  1. Afridi,Mohammad Khan;Azam,Nouman;Yao,JingTao:用于处理重叠聚类的基于方差的三向聚类方法(2020)
  2. 谭志浩;谭志浩;蒋、袁;周志华:多标签最优利润分配机(2020)
  3. 吴国强;郑若兵;田英杰;刘大连:联合排序支持向量机和鲁棒低秩学习的二元相关多标签分类(2020)
  4. Do,Kien;Tran,Truyen;Nguyen,Thin;Venkatesh,Svetha:图上的注意力多标签学习:信息传递方法(2019)
  5. Sadinle,Mauricio;Lei,Jing;Wasserman,Larry:具有有界误差水平的最小模糊集值分类器(2019)
  6. 沈一楠;唐继军;郭飞:结合进化和理化信息识别蛋白质亚细胞定位(2019)
  7. Szymanèski,Piotr;Kajdanowicz,Tomasz:scikit multilearn:一个用于执行多标签分类的基于scikit的Python环境(2019)
  8. Amorim,Willian P.;Falcão,Alexandre X.;Papa,João P.:通过最佳路径森林进行多标签半监督分类(2018年)
  9. Ma,Jianghong;Chow,Tommy W.S.:带缺失标签的半监督多标签学习的鲁棒非负稀疏图(2018)
  10. Fulikos,Konstantinos;Geurts,Pierre;Vens,Celine:用于交互预测的全球多输出决策树(2018)
  11. Sarah Vluymans;Chris Cornelis;Herrera,Francisco;Saeys,Yvan:使用模糊粗糙邻域共识的多标签分类(2018)
  12. 魏彤;郭兰哲;李玉凤;高伟:弱标记数据的安全多标签预测(2018)
  13. 张元健;苗,多健;张志飞;徐剑峰;罗生:多标签分类的三向选择集成模型(2018)
  14. Mena,Deiner;Montañes,Elena;Quevedo,JoséRamón;del Coz,Juan José:在概率分类器链中执行推理的容许启发式算法家族(2017)
  15. 吴玉平;林,田萱:成本敏感多标签分类的渐进随机(k)标签集(2017)
  16. Díez,Jorge;del Coz,Juan José;Luaces,Oscar;Bahamonde,Antonio:在多标签分类中使用张量积检测无条件标签依赖(2016)
  17. Ghouti,Lahouari:一种新的基于核的多标签数据集分类算法(2016)
  18. Varando,Gherardo;Bielza,Concha;Larrañaga,Pedro:基于贝叶斯网络的多标签分类的链分类器决策函数(2016)
  19. 徐建华:带随机块坐标下降法的多标签拉格朗日支持向量机(2016)
  20. Leurcharusmee,Supanika;Sirisrisakulchai,Jirakom;Sriboonchitta,Songsak;Denoeux,Thierry:多标签选择问题的分类器链广义最大熵模型(2015)