ML- KNN

MLKNN:一种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先定义的主题。在多标签学习中,训练集由每一个与一组标签相关联的实例组成,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。本文提出了一种基于传统K-近邻(KNN)算法的多标签懒惰学习方法ML- KNN。详细地,对于每个未看到的实例,首先识别其在训练集中的K近邻。之后,基于从这些相邻实例的标签集获得的统计信息,即属于每个可能类别的相邻实例的数目,利用最大后验(MAP)原理来确定不可见实例的标签集。在三个不同的真实世界多标签学习问题的实验中,即酵母基因功能分析、自然场景分类和自动网页分类,表明ML- KNN对一些已建立的多标签学习算法具有优越的性能。


ZBMaCT中的参考文献(52篇文章中引用)

显示结果1至20的52。
按年份排序(引文
  1. 阿弗里迪,Mohammad Khan;阿扎姆,NoMman;姚,景涛:基于方差的三重聚类方法处理重叠聚类(2020)
  2. DO,Kien;Tran,Turyn;阮,瘦;VunkATESH,Svetha:注意多标签学习的图形:消息传递方法(2019)
  3. Sadinle,Mauricio;雷,静;沃瑟曼,拉里:有界误差水平的最小歧义集值分类器(2019)
  4. 沈,沂南;Tang,姬军;郭,费:通过将进化和理化信息整合到Chou的普通PseAAC中识别蛋白质亚细胞定位(2019)
  5. SZYMA-SKI,Piotr;Kajdanowicz,ToMasz:SCIKIT多学习:一个基于SKIT的Python环境,用于执行多标签分类(2019)
  6. 普里亚科斯,康斯坦丁诺斯;Gurts,彼埃尔;Ves,Selin:交互预测的全局多输出决策树(2018)
  7. 魏,佟;郭,兰哲;李,Yu Feng;高,伟:学习弱标签数据的安全多标签预测(2018)
  8. 张,Yuanjian;苗族,多茜;张,Zhifei;徐,Jianfeng;罗,Sheng:多标签分类的三路选择性集成模型(2018)
  9. 曼娜,Deiner;蒙塔奈斯,埃琳娜;克韦多,约瑟夫拉姆恩;德尔科兹,Juan José:(MathrMa^*)在概率分类链中进行推断的可容许试探家(2017)
  10. 吴,Yu Ping;林,Hsuan Tien:代价敏感多标签分类的渐进随机(K)-标签集(2017)
  11. 豪尔赫,Del-Cz,Juan Jos,Luekes,奥斯卡;Bahamonde,安东尼奥:利用张量乘积检测多标签分类中的无条件标签依赖(2016)
  12. Ghouti,Lahouari:一种新的基于核的多标签数据分类算法(2016)
  13. Varando,Gherardo;BielZa,孔查;Larra NiaGa,佩德罗:基于贝叶斯网络的多分类器分类链分类器的决策函数(2016)
  14. 徐,Jianhua:具有随机块坐标下降法的多标度拉格朗日支持向量机(2016)
  15. Leurcharusmee,Supanika;Sirisrisakulchai,吉拉贡;Sriboonchitta,松瑟格;DeloEux,蒂埃里:多标记选择问题的分类器链广义最大熵模型(2015)
  16. COBO,Luis C.;SurabMaNi,Kaushik;IS贝尔,Charles L. jun.;兰特曼,Aaron D.;Thomaz,Andrea L.:从高维领域中有效强化学习的证明中提取(2014)
  17. Waegeman,Willem;DimbcZi-Ski,克日什托夫;Jachnik,Arkadiusz;程,Weiwei;H勒勒梅尔,艾克:关于F测度极大值的Bayes最优性(2014)
  18. Barranquero,若泽;冈萨雷兹,Pablo;D·IEZ,豪尔赫;Del-Cz,Juan Jos E:二元问题流行估计的最近邻算法研究(2013)
  19. 高,魏;周,Zhi Hua:多标记学习的一致性(2013)
  20. 刘,Huawen;郑,Zhonglong;赵,Jianmin;叶,Ronghua:一种高维多标签数据的集成方法(2013)