【免费】weka学习报告91资源-CSDN文库

需积分: 0 143 浏览量 2022-08-08 20:17:02 上传评论收藏 94KB DOCX 举报

资源详情

资源评论

资源推荐

基于 WEKA 的数据挖掘算法学习（九）

1. 多标签分类介绍

上周学习了多标签分类算法，这周接着上周继续就多标签分类进行学习。

每个样本属于一个 L 样本集合的一个子集，多标签分类(multilabel classification)分类器

会给一个新的实例指定多个类别。分类模型有很广泛的实际应用，如：一个文档可能同时属

于多个分类；一个蛋白质可能具有多个功能。

2. 多标签分类算法介绍

2.1 BR

BR 二元关系法，为每一个标签

λ

𝑗

产生一个单独的数据集，总共产生 n 个数据集

𝐷

λ

𝑗

(j=1…n)，每个数据集包含训练集中的全部样本。对于数据集

𝐷

λ

𝑗

，包含在该数据集中的所有

样本仅被标注是否属于

λ

𝑗

，用该数据集训练一个仅输出样本是否属于

λ

𝑗

的二分类器，为每一

个标签训练一个二分类器。对于一个未知类别的样本，将全部二分类器结果组合在一起即得

到该样本最终的标签分类结果。

2.2 ECC

ECC 组合分类器链是对于 BR 方法的一种改进，针对 BR 未能考虑标签之间的联系,而导

致一定程度上的信息损失,采用了 CC(ClassfierChain)分类器链，即通过将 BR 产生的ｎ个二

分类器连接成一条链，训练样本每经过一个二分类器，就将其预测结果添至样本属性向量

继续代入下一个二分类器中训练。但是由于 CC 中二分类器不同顺序对结果有较大影响，因

此 ECC 采取多条随机产生的不同标签序列的 CC 组合,以减轻单个 CC 由内部二分类器排列顺

序问题而带来的不利影响。

2.3 MLKNN

改进的 kNN 算法来处理多标签数据法，首先要找出待预测样本的ｋ个最近邻样本，但

是它们在样本标签集的聚合方面采用了不同的方法。其中较为典型的是 MLkNN，该方法基

于待预测样本的ｋ个最近邻类别标签出现的先验和后验概率，使用最大化后验原则确定待

预测样本的标签集。

本内容试读结束，登录后可阅读更多

下载后可阅读完整内容，剩余6页未读，立即下载

评论0

内容反馈

战神哥

粉丝: 42
资源: 325

最新资源

资源上传下载、课程学习等过程中有任何疑问或建议，欢迎提出宝贵意见哦~我们会及时处理！点击此处反馈

feedback-tip