資源描述：
《多標(biāo)記維度約減和分類算法研究》由會(huì)員上傳分享，免費(fèi)在線閱讀，更多相關(guān)內(nèi)容在學(xué)術(shù)論文-天天文庫。
1、多標(biāo)記維度約減和分類算法研究重慶大學(xué)碩士學(xué)位論文（學(xué)術(shù)學(xué)位）學(xué)生姓名：燕凱指導(dǎo)教師：唐朝偉教授專業(yè)：通信與信息系統(tǒng)學(xué)科門類：工學(xué)重慶大學(xué)通信工程學(xué)院二O一四年六月ResearchontheDimensionalityReductionandClassificationAlgorithmsinMulti-LabelLearningAThesisSubmittedtoChongqingUniversityinPartialFulfillmentoftheRequirementfortheMaster’sDegreeofEngineeringByKaiYanSupervisedbyProf.Cha
2、oweiTangSpecialty:CommunicationandInformationSystemCollegeofCommunicationEngineeringofChongqingUniversity,Chongqing,ChinaJune,2014重慶大學(xué)碩士學(xué)位論文中文摘要摘要多標(biāo)記學(xué)習(xí)來源于文本分類問題的研究，現(xiàn)實(shí)生活中很多基于機(jī)器學(xué)習(xí)的問題都可以看作是多標(biāo)記學(xué)習(xí)。傳統(tǒng)監(jiān)督學(xué)習(xí)中每個(gè)示例僅僅具有單個(gè)標(biāo)記，但是多標(biāo)記學(xué)習(xí)中每個(gè)示例擁有多個(gè)標(biāo)記。為了提高多標(biāo)記學(xué)習(xí)中分類的準(zhǔn)確率，示例的大量原始特征被采集，導(dǎo)致輸入空間維數(shù)非常高，從而造成“維數(shù)災(zāi)難”問題。因此，如何從輸入空間的高維
3、特征向量中獲取有效的低維數(shù)據(jù)，對(duì)于提高多標(biāo)記分類問題的準(zhǔn)確率有重要意義。本文的研究重點(diǎn)是多標(biāo)記分類中的維度約減算法和多標(biāo)記分類算法。本文主要工作內(nèi)容如下：（1）介紹多標(biāo)記學(xué)習(xí)、常見的維度約減算法和流形學(xué)習(xí)算法。流形學(xué)習(xí)算法能夠從高維特征向量數(shù)據(jù)中獲取低維流形結(jié)構(gòu)，并且從高維特征向量數(shù)據(jù)映射到低維特征空間時(shí)，能夠保留高維數(shù)據(jù)中局部鄰域間的相互關(guān)系。但是局部線性嵌入流形學(xué)習(xí)(LocallyLinearEmbedding，LLE)算法的近鄰點(diǎn)個(gè)數(shù)是固定的，不能剔除流形中的小規(guī)模結(jié)構(gòu)和不能避免將連續(xù)的流形分割為不相關(guān)的子流形。因此，如何選取近鄰點(diǎn)個(gè)數(shù)成為一個(gè)重要的問題。（2）研究了在已標(biāo)記數(shù)據(jù)比較少
4、但是未標(biāo)記數(shù)據(jù)大量存在的場(chǎng)景下，多標(biāo)記分類正確率不高的問題。由于實(shí)際場(chǎng)景中輸入空間的高維特征向量數(shù)據(jù)僅有少量被標(biāo)記，大部分?jǐn)?shù)據(jù)都沒有標(biāo)記。為了有效去除冗余特征并使用大量未標(biāo)記樣本所提供的潛在信息，需要使用半監(jiān)督學(xué)習(xí)方法。為了能夠利用類別已知的示例的監(jiān)督信息，又利用大量類別未知的示例的統(tǒng)計(jì)信息進(jìn)行維度約減；并且確定合適的近鄰點(diǎn)個(gè)數(shù)，本文提出一種可變K近鄰半監(jiān)督局部線性嵌入流形維度約減算法(VariableK-NearestSemi-SupervisedLocallyLinearEmbedding，VKSSLLE)。（3）探討多標(biāo)記分類問題中出現(xiàn)的數(shù)據(jù)分類性能不理想的問題，并提出一種基于VKSS
5、LLE維度約減算法的多標(biāo)記樸素貝葉斯分類算法。該方法通過使用可變K近鄰半監(jiān)督流形學(xué)習(xí)算法進(jìn)行維度約減，并引入樸素貝葉斯分類器進(jìn)行多標(biāo)記分類，從而提高多標(biāo)記分類的準(zhǔn)確率。利用不同維度約減算法與樸素貝葉斯分類器相結(jié)合，作用于不同的數(shù)據(jù)集進(jìn)行實(shí)驗(yàn)，結(jié)果表明基于VKSSLLE維度約減算法的多標(biāo)記樸素貝葉斯分類算法能夠更好地提高多標(biāo)記分類的準(zhǔn)確率。關(guān)鍵字：多標(biāo)記分類，多標(biāo)記維度約減，樸素貝葉斯分類器，流形學(xué)習(xí)，半監(jiān)督學(xué)習(xí)I重慶大學(xué)碩士學(xué)位論文英文摘要ABSTRACTMulti-labellearningcomesfromtextclassification,andmanyreal-worldprobl
6、emsbasedonmachinelearningfallintothecategoryofmulti-labellearning.Differentfromtraditionalsupervisedlearningmethodswhichassumethateachinstanceisassociatedwithonlyoneclasslabel,oneinstanceinmulti-labellearningusuallybelongstomultiplelabelssimultaneously.Numerousoriginalfeaturesshouldbesampledtoenhan
7、cetheaccuracyofmulti-labellearning,whichresultsin‘curseofdimensionality’problem.Theaccuracyoflearningalgorithmswillbeseverelydegeneratedduetothisproblem.Thus,howtoobtaineffectivelow-dimensionaldatafromhigh-
