多标签学习求解策略及方法

el/2024/5/21 22:12:08

一、求解策略

按照考察类别标签之间相关性所采用方式的不同,已有的多标签学习问题的求解策略大致可以分成以下三大类:

1、“一阶”策略:依次考察每个类别标签,将多标签学习问题分解成为若干个独立的二类分类问题来进行求解,该方法虽然简单易执行但是其泛化性能比较低,忽略了标签之间的相关性。

2、“二阶策略”:考察类别标签两两之间的存在的相关联性。该方法虽然在一定程度上考虑到了类别标签之间的相关性,但是并不能包含所有的类别标签的相关情况。

3、“高阶”策略:考察高阶的类别标签之间的相关性,考虑虽然较为全面,但却导致了计算的复杂度的增加,难以用来处理大规模的学习问题。

二、求解方法

目前较为完善的多标签学习方法通常可以分为两大类,即“问题转化”方法和“算法适应”方法,简单地说,“问题转化”方法的核心是通过改造数据来适应现有的一些算法,“算法适应”方法的核心则是改造已有算法来适应多标签数据。

1、“问题转化”方法:通过对多标签训练数据集进行转化等一系列处理,从而把多标签学习问题转化成为一个或者多个简单的单标签的分类问题或者是其它已知的学习问题。

2、“算法适应”方法:算法适应法主要思想是通过对一些常用的监督学习算法进行改进,增强其适用性和泛化能力,然后将其直接运用到解决多标签学习问题上来。
这里写图片描述


http://www.ngui.cc/el/5239421.html

相关文章

什么是元、元数据、元分类器?

元(meta),一般被翻译成“关于……的……” Meta-Classifier 关于分类器的分类器,通常是主分类器的代理,用于提供附加的数据预处理。(如Bagging,Stacking,Vote等) A classifier, which is usua…

python下包文件的删除

python setup.py install --record files.txt #记录安装后文件的路径 cat files.txt | xargs rm -rf #删除这些文件

LU/PLU分解

一、简介 在线性代数中, LU分解(LU Decomposition)是矩阵分解的一种,可以将一个矩阵分解为一个单位下三角矩阵和一个上三角矩阵的乘积(有时是它们和一个置换矩阵的乘积)。LU分解主要应用在数值分析中,用来解线性方程、…

Jacobi Gauss-Seidel迭代法

一、简介 考虑线性方程组Ax b时,一般当A为低阶稠密矩阵时,用主元消去法解此方程组是有效方法。但是,对于由工程技术中产生的大型稀疏矩阵方程组(A的阶数很高,但零元素较多,例如求某些偏微分方程数值解所产…

Newton法、弦截法

一、简介 牛顿迭代法(Newton’s method)又称为牛顿-拉夫逊(拉弗森)方法(Newton-Raphson method),它是牛顿在17世纪提出的一种在实数域和复数域上近似求解方程的方法。多数方程不存在求根公式&a…

复化求积公式

一、简介 复化求积公式(composite integration rule )一类重要的求积公式,指将求积区间分为n个子区间,对每个子区间应用同一求积公式,所得到的复合数值积分公式。 详解 二、实现 # -*- coding: utf-8 -*- """ Created on …

Gauss型求积公式

一、简介 高斯求积公式是变步长数值积分的一种,基本形式是计算[-1,1]上的定积分。理论证明对于 n个节点的上述求积公式,最高有 2n - 1 次的代数精度,高斯公式就是使得上述公式具有 2n - 1次代数精度的积分公式。 详解 二、实现 # -*- cod…

常微分方程数值解法

一、简介 常微分方程数值解法(numerical methods forordinary differential equations)计算数学的一个分支。是解常微分方程各类定解问题的数值方法,现有的解析方法只能用于求解一些特殊类型的定解问题,实用上许多很有价值的常微分方程的解不能用初等函…

基于Tensorflow的CNN简单实现

一、概要 基于Tensorflow 1.0版本实现,利用mnist数据集训练CNN,达到了99.6%的准确率。 二、CNN结构 1.两个卷积层、两个池化层、一个全连接层、一个Dropout层以及一个Softmax层。 2.原始数据为28*28的大小、单通道的图片。 3.第一个卷积层&#xff…

计算机软件推荐

apps-that-amaze-us 仅以此文记录并介绍个人使用过的优秀软件及工具 效率工具 Everything:最快速的文件/文件名搜索工具ShareX:强大的截图以及录屏工具Snipaste:简单强大的截图工具,元素检测效果好WGestures:Window…