.png){kind=icon}
返回
Differential Evolutionary for Label Ordering in Multi-label Classification
.png){kind=icon}
PRE
AI
DOI：10.1007/978-981-95-3462-3_7.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
多标签分类是将多个标签分配给单个样本的一项具有挑战性的任务，要求模型考虑标签间的相关性。分类器链方法通过顺序建模标签依赖关系，是处理多标签分类的一种有效且高效的方法。然而，分类器链的性能高度依赖于标签的排列顺序。链中前期的任何错误都可能传播，导致后续产生更大的误差，这种现象也称为误差传播。优化标签顺序至关重要，但计算上较为困难，因为它是一个具有大搜索空间和冲突性能指标的NP难问题。本文提出了一种新颖的算法DECC，该算法使用差分进化来优化多标签分类中分类器链的标签顺序。DECC将候选解表示为连续向量，并采用排序机制将其转换为有效的标签顺序。提出了两种基于多种多标签性能指标的适应度函数，并通过在十个真实数据集上的实验验证了算法的有效性。DECC在性能上优于现有的基于遗传算法的方法，为优化多标签分类中的标签顺序提供了一种更灵活、高效且有效的方法。
Keyword:
Multi-label Classification
Differential Evolution
Classifier Chain
期刊
A
IF:
0
论文数:
29
被引数:
0
机构
引用论文
Efficient monte carlo methods for multi-dimensional learning with classifier chains.png)
PATTERN RECOGNITION
OAAI
PATTERN RECOGNITIONIF7.6
OAAI分享收藏
查看更多内容