基于貝葉斯模型和馬爾可夫型多標簽分類算法
大小：0.85 MB 人氣：1 2017-12-25 需要積分：1
針對二元關聯法（BR）未考慮標簽之間相關性，容易造成分類器輸出在訓練集中不存在或次數較少標簽的不足，提出了基于貝葉斯模型的多標簽分類算法（ MLBM）和馬爾可夫型多標簽分類算法（MMLBM）。首先，建立仿真模型分析BR算法的不足，考慮到標簽的取值應由屬性置信度和標簽置信度共同決定，提出MLBM。其中，通過傳統的分類算法計算獲得屬性置信度，以及通過訓練集得到標簽置信度。然后，考慮到MLBM在計算屬性置信度時必須考慮所有已分類的標簽，分類器的性能容易受無關或弱關系的標簽影響，所以使用馬爾可夫模型簡化置信度的計算提出了MMLBM。理論分析和仿真實驗表明，與BR算法相比，MMLBM的平均分類精度在emotions數據集上提高約4. 8%，在yeast數據集上提高約9.8%，在flags數據集上提高約7.3%。實驗結果表明，當數據集中實例的標簽基數較大時，相對于BR算法，MMLBM的準確性有較大的提升。
非常好我支持^.^
(0) 0%
不好我反對
(0) 0%
