針對弱標記和穩(wěn)定算法的多標記集成學習.pdf

1、隨著現(xiàn)代各種技術(shù)的迅速發(fā)展，現(xiàn)實生活中越來越多的應用與多標記數(shù)據(jù)密切相關(guān)，因此，多標記數(shù)據(jù)的分類方法及其應用成為當前數(shù)據(jù)挖掘和機器學習領(lǐng)域的熱點問題。其中基于集成學習的多標記數(shù)據(jù)分類方法是非常值得研究和探討的一個方向。
　　 集成學習能提高分類器的性能，Adaboost算法是典型的集成學習算法之一。但是，之前研究Adaboost算法是基于不穩(wěn)定且變化較大的學習算法，比如:決策樹，神經(jīng)網(wǎng)絡等。本文擴展研究了Adaboost算法，使

2、其在穩(wěn)定且變化不大的算法的基礎(chǔ)上也能有很好的性能。在本文中，我們研究了基于懶惰算法——改進的K近鄰學習算法MLKNN的Adaboost算法，并提出了Adaboost.ML算法。該算法的基本思想是:用MLKNN做AdaBoost算法的基分類器，并對AdaBoost算法做一部分修改，使其適合MLKNN算法，提高算法的性能。實驗結(jié)果表明，Adaboost.ML算法具有很好的分類性能。
　　 另一方面，多標記數(shù)據(jù)分類算法的研究越來越多，

3、多標記數(shù)據(jù)分類算法主要是解決樣本同時屬于多個類別的分類問題，它適用于各種各樣的分類任務，但是，傳統(tǒng)的多標記數(shù)據(jù)分類學習中，分類器大多都是針對大量的具有完整標記的訓練樣本，然而，在現(xiàn)實生活的許多應用中，只能夠獲得一些標記不完整的訓練樣本。為了更好的利用這些不完整的訓練樣本即弱標記訓練樣本，本文提出了一種針對弱標記的多標記數(shù)據(jù)分類的集成學習算法RPCME算法。該算法通過采用基于相似形成對約束投影的方法來處理數(shù)據(jù)集，更好的利用了弱標記樣本的特