×
阿尔贾·奥索尼克;潘切·帕诺夫;萨索·季埃洛斯基

基于数据流多目标回归的多标签分类。 （英语） Zbl 1455.68178号

机器。学习。 106，第6号，745-770（2017）.
摘要：在机器学习应用中，多标签分类（MLC）任务的使用越来越频繁。虽然MLC方法适用于经典的批设置，但只有少数方法可用于流设置。本文提出了一种在流媒体环境下通过多目标回归进行MLC的新方法。此外，我们开发了一个使用这种方法的流式多目标回归量iSOUP-Tree。我们通过实验比较了iSOUP-Tree方法的两种变体（建立回归树和模型树），以及iSOUP-trees与最先进的树和数据流MLC集成方法的集成。我们根据各种预测性能指标（适用于MLC任务）评估这些方法。iSOUP-Trees的集合在其中一些度量上表现得更好，尤其是基于标签排名的度量，在其余度量上也没有明显差于竞争对手。我们将数据流上MLC任务的阈值问题确定为需要解决的关键问题，以便在预测性能方面获得更好的结果。

引用于3文件

MSC公司：

68T05型 人工智能中的学习和自适应系统
68周27 在线算法；流式算法

关键词：

多标签分类;多目标回归;数据流挖掘

软件：

VFML公司;农业部
PDF格式BibTeX公司 XML格式引用
\textit{A.Osojnik}等人，马赫。学习。106，编号6，745-770（2017；兹bl 1455.68178）
全文： 内政部

参考文献：

[1] Appice，A.和Díeroski，S.（2007年）。多目标模型树的逐步归纳。机器学习：ECML 2007，LNCS（第4701卷，第502-509页）。斯普林格。
[2] Bifet，A.和Gavaldá，R.（2009年）。从不断变化的数据流中进行自适应学习。智能数据分析进展VIII（第249-260页）。斯普林格·Zbl 1454.68134号
[3] Bifet，A.、Holmes，G.、Kirkby，R.和Pfahringer，B.（2010年）。Moa：大量在线分析。机器学习研究杂志，11601-1604。
[4] Bifet，A.、Holmes，G.、Pfahringer，B.、Kirkby，R.和Gavaldá，R.（2009年）。进化数据流的新集成方法。第15届ACM SIGKDD知识发现和数据挖掘国际会议论文集（第139-148页）。ACM公司。
[5] Cheng，W.和Hüllermier，E.（2009）。结合基于实例的学习和逻辑回归进行多标签分类。机器学习，76（2-3），211-225·Zbl 1470.68091号 ·doi:10.1007/s10994-009-5127-5
[6] Demšar，J.（2006）。多个数据集上分类器的统计比较。机器学习研究杂志，7，1-30·Zbl 1222.68184号
[7] Domingos，P.和Hulten，G.（2000年）。挖掘高速数据流。第六届ACM SIGKDD知识发现和数据挖掘国际会议论文集（第71-80页）。ACM公司。
[8] Duarte，J.和Gama，J.（2014）。来自高速数据流的自适应模型规则的集合。在关于大数据、流和异构源挖掘的第三次国际研讨会上（第198-213页）。
[9] Duarte，J.和Gama，J.（2015）。使用自适应模型规则从高速数据流进行多目标回归。2015年IEEE数据科学和高级分析国际会议（DSAA）。36578 2015（第1-10页）·Zbl 1454.68134号
[10] Frank，E.，Wang，Y.，Inglis，S.，Holmes，G.，&Witten，I.H.（1998）。使用模型树进行分类。机器学习，32（1），63-76·Zbl 0901.68167号
[11] 弗里德曼M.（1940）。对\[m\]m排名问题重要性的替代测试进行比较。《数理统计年鉴》，11（1），86-92·Zbl 0063.01455号 ·doi:10.1214/aoms/1177731944
[12] Fürnkranz，J.、Hüllermeier，E.、Mencía，E.L.和Brinker，K.（2008）。通过校准标签排名进行多标签分类。机器学习，73（2），133-153·Zbl 1470.68108号 ·doi:10.1007/s10994-008-5064-8
[13] Gama，J.（2010）。从数据流中发现知识。博卡拉顿：CRC出版社·Zbl 1230.68017号 ·doi:10.1201/EBK1439826119
[14] Gibaja，E.和Ventura，S.（2015）。多标签学习教程。ACM计算调查（CSUR），47（3），52·doi:10.145/2716262
[15] Gonçalves，E.C.、Plastino，A.和Freitas，A.A.（2013年）。一种用于优化多标签分类器链中标签顺序的遗传算法。2013年IEEE第25届人工智能工具国际会议（ICTAI）（第469-476页）。电气与电子工程师协会。
[16] Hulten，G.和Domingos，P.（2003）。VFML—用于挖掘高速时变数据流的工具包。http://www.cs.washington.edu/dm/vfml/。
[17] Ikonomovska，E.、Gama，J.和Díeroski，S.（2010年）。从不断演变的数据流中学习模型树。数据挖掘和知识发现，23（1），128-168·Zbl 1235.68158号 ·doi:10.1007/s10618-010-0201-y
[18] Ikonomovska，E.、Gama，J.和Díeroski，S.（2011年a）。数据流的增量多目标模型树。2011年美国计算机学会应用计算研讨会论文集（第988-993页）。ACM公司·Zbl 1235.68158号
[19] Ikonomovska，E.、Gama，J.和Díeroski，S.（2011年b）。从不断演变的数据流中学习模型树。数据挖掘和知识发现，23（1），128-168·Zbl 1235.68158号 ·doi:10.1007/s10618-010-0201-y
[20] Ikonomovska，E.、Gama，J.和Díeroski，S.（2015）。在线基于树的集成和选项树，用于进化数据流的回归。神经计算，150458-470·doi:10.1016/j.neucom.2014.04.076
[21] Largeron，C.、Moulin，C.和Géry，M.（2012）。MCut：多标签分类的阈值策略（第172-183页）。柏林：斯普林格。
[22] Madjarov，G.、Kocev，D.、Gjorgjevikj，D.和Díeroski，S.（2012）。多标签学习方法的广泛实验比较。模式识别，45（9），3084-3104·doi:10.1016/j.patcog.2012.03.004
[23] Nemenyi，P.（1963年）。无分布多重比较。新泽西州博士论文·Zbl 1235.68158号
[24] Osojnik，A.、Panov，P.和Díeroski，S.（2015）。通过数据流上的多目标回归进行多标签分类。《发现科学》（第170-185页）。斯普林格·Zbl 1455.68178号
[25] Oza，N.C.（2005年）。在线装袋和助推。在2005年IEEE系统、人与控制论国际会议上（第3卷，第2340-2345页）。电气与电子工程师协会。
[26] 瞿伟、张毅、朱骏和邱琦（2009）。使用动态分类器集成挖掘多标签概念驱动数据流。《机器学习进展》（第308-321页）。斯普林格。
[27] Read，J.（2008年）。一种多标签分类的剪枝问题转换方法。2008年新西兰计算机科学研究学生会议记录（NZCSRS 2008）（第143-150页）。
[28] Read，J.、Bifet，A.、Holmes，G.和Pfahringer，B.（2012年）。可扩展且高效的多标签分类，用于不断发展的数据流。机器学习，88（1-2），243-272·doi:10.1007/s10994-012-5279-6
[29] Read，J.、Pfahringer，B.和Holmes，G.（2008）。使用剪枝集集合的多标签分类。在2008年第八届IEEE数据挖掘国际会议上。ICDM’08（第995-1000页）。电气与电子工程师协会。
[30] Read，J.、Pfahringer，B.、Holmes，G.和Frank，E.（2009年）。多标签分类的分类器链。柏林：斯普林格。 ·doi:10.1007/978-3642-04174-7_17
[31] Read，J.、Pfahringer，B.、Holmes，G.和Frank，E.（2011年）。多标签分类的分类器链。机器学习，85（3），333-359·doi:10.1007/s10994-011-5256-5
[32] Rutkowski，L.、Pietruczuk，L.，Duda，P.和Jaworski，M.（2013）。基于McDiarmid界的数据流挖掘决策树。IEEE知识与数据工程汇刊，25（6），1272-1279·doi:10.1109/TKDE.2012.66
[33] Shaker，A.和Hüllermier，E.（2012年）。IBLStreams：基于实例的数据流分类和回归系统。进化系统，3（4），235-249·doi:10.1007/s12530-012-9059-0
[34] Shi，Z.、Wen，Y.、Feng，C.和Zhao，H.（2014a）。基于标签分组和熵的多标签数据流漂移检测。2014年IEEE数据挖掘研讨会（ICDMW）（第724-731页）。电气与电子工程师协会。
[35] Shi，Z.，Xue，Y.，Wen，Y.和Cai，G.（2014b）。用于进化数据流的多标签分类的高效类增量学习。2014年，神经网络国际联合会议（IJCNN）（第2093-2099页）。电气与电子工程师协会·Zbl 1235.68158号
[36] Spyromitros-Xioufis，E.（2011年）。处理多标签流分类中的概念漂移和类不平衡。塞萨洛尼基亚里士多德大学博士论文。
[37] Struyf，J.和Díeroski，S.（2006年）。基于约束的多目标回归树归纳。在归纳数据库中的知识发现，LNCS（第3933卷，第222-233页）。斯普林格。
[38] Triguero，I.和Vens，C.（2016）。分层多标签分类技术的标签策略。模式识别，56170-183·doi:10.1016/j.patcog.2016.02.017
[39] Tsoumakas，G.和Katakis，I.（2007年）。多标签分类：概述。国际JDWM，3（3），1-13。
[40] Tsoumakas，G.和Vlahavas，I.（2007年）。随机k标签集：多标签分类的集成方法。机器学习：ECML 2007（第406-417页）。斯普林格。
[41] Vens，C.、Struyf，J.、Schietgat，L.、Díeroski，S.和Blockeel，H.（2008）。分层多标签分类的决策树。机器学习，73（2），185-214·兹比尔1470.62098 ·doi:10.1007/s10994-008-5077-3
[42] Xioufis，E.S.、Tsoumakas，G.、Groves，W.和Vlahavas，I.P.（2016）。通过输入空间扩展的多目标回归：将目标视为输入。机器学习，104（1），55-98·Zbl 1454.68134号 ·doi:10.1007/s10994-016-5546-z
[43] Zhang，M.L.，&Zhou，Z.H.（2005）。一种基于k近邻的多标签分类算法。2005年IEEE颗粒计算（第2卷，第718-721页）。电气与电子工程师协会。
此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。