基于標(biāo)記與特征依賴(lài)最大化的弱標(biāo)記集成分類(lèi)
推薦 + 挑錯(cuò) + 收藏(0) + 用戶(hù)評(píng)論（0）
弱標(biāo)記學(xué)習(xí)是多標(biāo)記學(xué)習(xí)的一個(gè)重要分支，近幾年已被廣泛研究并被應(yīng)用于多標(biāo)記樣本的缺失標(biāo)記補(bǔ)全和預(yù)測(cè)等問(wèn)題．然而，針對(duì)特征集合較大、更容易擁有多個(gè)語(yǔ)義標(biāo)記和出現(xiàn)標(biāo)記缺失的高維數(shù)據(jù)問(wèn)題，現(xiàn)有弱標(biāo)記學(xué)習(xí)方法普遍易受這類(lèi)數(shù)據(jù)包含的噪聲和冗余特征的干擾．為了對(duì)高維多標(biāo)記數(shù)據(jù)進(jìn)行準(zhǔn)確的分類(lèi)。提出了一種基于標(biāo)記與特征依賴(lài)最大化的弱標(biāo)記集成分類(lèi)方法EnWL.EnWL首先在高維數(shù)據(jù)的特征空間多次利用近鄰傳播聚類(lèi)方法，每次選擇聚類(lèi)中心構(gòu)成具有代表性的特征子集，降低噪聲和冗余特征的干擾；再在每個(gè)特征子集上訓(xùn)練一個(gè)基于標(biāo)記與特征依賴(lài)最大化的半監(jiān)督多標(biāo)記分類(lèi)器；最后，通過(guò)投票集成這些分類(lèi)器實(shí)現(xiàn)多標(biāo)記分類(lèi)．在多種高維數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果表明。EnWL在多種評(píng)價(jià)度量上的預(yù)測(cè)性能均優(yōu)于已有相關(guān)方法。
非常好我支持^.^
(0) 0%
不好我反對(duì)
(0) 0%
下載地址
基于標(biāo)記與特征依賴(lài)最大化的弱標(biāo)記集成分類(lèi)下載
相關(guān)電子資料下載
- 人工神經(jīng)網(wǎng)絡(luò)模型的分類(lèi)有哪些 134
- 一文快速了解RFID技術(shù)的構(gòu)成及分類(lèi) 109
- 車(chē)載無(wú)線技術(shù)分類(lèi)介紹 411
- 機(jī)器視覺(jué)光源的作用、分類(lèi)及實(shí)際應(yīng)用 118
- 神經(jīng)元的分類(lèi)包括哪些 234
- 卷積神經(jīng)網(wǎng)絡(luò)分類(lèi)方法有哪些 102
- cnn卷積神經(jīng)網(wǎng)絡(luò)分類(lèi)有哪些 106
- 什么神經(jīng)網(wǎng)絡(luò)模型適合做分類(lèi) 114
- 卷積神經(jīng)網(wǎng)絡(luò)在文本分類(lèi)領(lǐng)域的應(yīng)用 152
- 風(fēng)華貼片電容的分類(lèi)詳細(xì)介紹 86