基于梯度提升的多标签分类器链方法
2021-05-28孙开伟
江苏大学学报(自然科学版) 2021年3期
王 进,陈 瑀,孙开伟
(重庆邮电大学 数据工程与可视计算重点实验室,重庆 400065)
多标签学习(multi-label learning)不同于传统的每个实例对应一个标签的单标签学习问题,它是一种每个实例可能同时关联多个标签的监督学习问题.多标签的应用受到越来越多的关注,它适用于各种领域,包括文本分类[1-2]、场景和视频分类[3]以及生物信息学[4]等.
问题转换法是多标签分类的常见方法之一,它将多标签问题转换成一个或多个单标签(即二分类或多分类)问题.以这种方式,就可以采用单标签分类器将单标签的预测转化成多标签的预测.问题转换法具有可扩展性和灵活性,具体表现在:任何现成的单标签分类器都可以用于这种方式的多标签分类.问题转换法的代表方法是二元相关法(binary relevance,BR)[5].BR将多标签问题转化为多个二元问题,每个标签训练一个二分类模型.但BR经常被忽视,因为它不能有效利用标签之间存在的关联性.而以分类器链方法(classifier chains,CC)[6]、集成分类器链方法(ensembles of classifier chains,ECC)[6]为代表的分类器链方法兼具效果与灵活的优点.ECC可以对标签关联性进行建模,并且采用了机器学习中的“集成”的思想来提高分类精度.它们都具有接近BR方法的复杂度,在考虑标签关联性的诸多方法中,具有较大优势.但是CC方法存在严重的链序问题,以及标签关联性感知不足等问题,而ECC存在着随机性较大、链序问题未完全消除等问题.
针对目前多标签分类所关心的标签关联性问题以及分类器链方法……
登录APP查看全文