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中的参考文献(参考文献62条)

显示第1到第20个结果,共62个。
按年份排序(引用)
  1. 阿夫里迪,穆罕默德·汗;亚赞,努曼;姚景涛:处理重叠聚类的基于方差的三向聚类方法(2020)
  2. 车,小雅;陈德刚;米菊生:一种新的标签相关性学习方法及其在多标签数据特征选择中的应用(2020)
  3. 科切夫,德拉吉;塞西,米开朗基罗;Stepišnik,Tomaž:用于预测结构化输出的极端随机预测聚类树集合(2020)
  4. 谭志浩;谭鹏;姜元;周志华:多标签最优利润分配机(2020)
  5. 吴国强;郑若冰;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)
  6. 杨波;佟坤坤;赵雪青;彭尚敏;陈金光:基于低秩分解的多标签分类(2020)
  7. 行,金;特兰,特鲁延;阮,瘦;Venkatesh,Svetha:图上的注意力多标签学习:信息传递方法(2019)
  8. 萨丁勒,毛里西奥;雷、静;Wasserman,Larry:具有有限误差水平的最小模糊集值分类器(2019)
  9. 沈,沂南;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)
  10. 西曼斯基,皮奥特;Kajdanowicz,Tomasz:scikitmultilearn:一个基于scikit的Python环境,用于执行多标签分类(2019)
  11. 阿莫林,威廉普。;法尔科,亚历山德拉十世。;Papa,JoãP.:通过最优路径森林进行多标签半监督分类(2018)
  12. 马江红;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)
  13. 康斯坦丁诺斯公司;盖尔斯,皮埃尔;Vens,Celine:用于交互预测的全球多输出决策树(2018)
  14. 弗鲁曼斯,莎拉;科尼利斯,克里斯;埃雷拉,弗朗西斯科;Saeys,Yvan:使用模糊粗糙邻域共识的多标签分类(2018)
  15. 魏,童;郭兰哲;李玉凤;高伟:学习弱标记数据的安全多标签预测(2018)
  16. 吴宝元;贾、范;刘伟;加尼姆,伯纳德;Lyu,Siwei:基于混合依赖图的缺失标签多标签学习(2018)
  17. 张远健;苗族,多姿族;张志飞;徐剑峰;罗胜:一个多标签分类的三向选择集成模型(2018)
  18. 美娜,迪纳;蒙塔涅斯,埃琳娜;奎维多,何塞·拉蒙;del Coz,Juan José:《概率分类器链中(\mathrmA^*)推理的容许启发式家族(2017)
  19. 吴玉萍;Lin,Hsuan Tien:渐进随机(k)-成本敏感多标签分类标签集(2017)
  20. Díez,豪尔赫;德尔科兹,胡安·何塞;奥斯卡,卢卡斯;Bahamonde,Antonio:使用张量积检测多标签分类中的无条件标签依赖(2016)