Feature Selection and Overlapping Clustering-Based Multilabel Classification Model

doi:10.1155/2018/2814897

Feature Selection and Overlapping Clustering-Based Multilabel Classification Model

2018-01-01

0

OA

AI

DOI：10.1155/2018/2814897

原文链接

原文求助

摘要

En 中文

多标签分类（MLC）学习在机器学习中是一个非常重要的问题，并且被广泛应用于实际应用中。一些研究表明，基于聚类的MLC框架相比非聚类框架表现出更有效。在本文中，我们探讨了基于聚类的MLC问题。多标签特征选择在分类学习中也起着重要作用，因为许多冗余和不相关的特征会降低性能，而一个好的特征选择算法可以降低计算复杂度并提高分类精度。在本研究中，我们同时考虑了特征依赖性和特征交互，并提出了一种多标签特征选择算法作为MLC前的预处理阶段。通常，现有的基于聚类的MLC框架采用硬聚类方法。在实践中，此类框架将多标签数据集的实例区分到单个聚类中；然而，多标签实例的重叠性质表明，在实际应用中，实例可能不属于仅一个类别。因此，我们提出了一种将特征选择与重叠聚类算法相结合的MLC模型。实验结果表明，不同的聚类算法对MLC表现出不同的性能，并且所提出的基于重叠聚类的MLC模型可能更为适用。

Feature Selection and Overlapping Clustering-Based Multilabel Classification Model

摘要

期刊

机构

引用论文