多標簽特征選擇算法研究及應(yīng)用.pdf_第1頁
已閱讀1頁,還剩76頁未讀, 繼續(xù)免費閱讀

下載本文檔

版權(quán)說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請進行舉報或認領(lǐng)

文檔簡介

1、多標簽分類問題中,一個樣本可以同時屬于多個類別,且類別標簽之間不再相互排斥。多標簽分類問題在文本分類,自然場景分類,基因功能預(yù)測和音樂情感標注等領(lǐng)域得到廣泛應(yīng)用。通常,多標簽數(shù)據(jù)集中包含大量特征,其中的不相關(guān)、冗余、帶噪聲特征會導(dǎo)致分類性能下降。特征選擇旨在通過挑選出一個特征子集降低特征空間維數(shù),提高分類性能與降低計算復(fù)雜度。因此,特征選擇是提高多標簽分類性能的重要手段。目前,多標簽特征選擇方法根據(jù)是否包含分類器,大致可分為過濾式、包裹

2、式和嵌入式三種。
  本研究主要內(nèi)容包括:⑴構(gòu)建過濾式的多標簽特征選擇算法QPFS-RCDM:改造帶單純形約束二次規(guī)劃形式的單標簽特征選擇算法(QPFS),構(gòu)造出只帶非負約束的二次規(guī)劃問題,并利用具有線性收斂性的隨機坐標下降法(RCDM)求解,提高計算效率與分類效果。實驗中,根據(jù)5個多標簽評價準則,在12個多標簽數(shù)據(jù)集上,將QPFS-RCDM與4個常用的特征選擇算法進行比較。結(jié)果表明,QPFS-RCDM算法在特征數(shù)目相同的情況下能

3、夠挑選出質(zhì)量最佳的特征子集。⑵采用特征數(shù)目控制策略,改進基于NSGA-Ⅱ多目標優(yōu)化技術(shù)的包裹式特征選擇算法,從而能夠選擇規(guī)定大小的特征子集。實驗中,在4個多標簽基準數(shù)據(jù)集上,將其與基于單目標、基于排序的特征選擇算法進行對比。結(jié)果表明,本文提出的多目標優(yōu)化方法在提高分類器性能的同時能有效篩選出高質(zhì)量的特征子集。⑶研究多標簽特征選擇算法在蛋白質(zhì)亞細胞定位中的應(yīng)用:針對蛋白質(zhì)亞細胞定位的六個GO特征數(shù)據(jù)集,對比不同的特征選擇算法,并進一步驗證

溫馨提示

  • 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內(nèi)容里面會有圖紙預(yù)覽,若沒有圖紙預(yù)覽就沒有圖紙。
  • 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護處理,對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對任何下載內(nèi)容負責。
  • 6. 下載文件中如有侵權(quán)或不適當內(nèi)容,請與我們聯(lián)系,我們立即糾正。
  • 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

評論

0/150

提交評論