基于最大相关最小冗余的多标记特征选择

2016-10-14 15:10:11杨文元
数码设计 2016年2期
关键词:特征评价方法

杨文元



基于最大相关最小冗余的多标记特征选择

杨文元*

(闽南师范大学福建省粒计算重点实验室,福建漳州363000)

针对多标记学习中高维数据运行速度问题,提出一种基于最大相关最小冗余的特征选择算法ML-MRMR。利用数据与标记的互信息,获得了最大相关性最少冗余性特征集合。分析了所选特征百分比与精度关系。实验结果表明,所提出算法在速度和精度上都具有明显的优势。

多标记学习;特征选择;最大相关最小冗余;数据降维

引言

随着计算机网络和信息化的发展,网络数据和资源呈海量特征,数据的标注结构复杂程度也在增加,传统的单标记方法无法满足对复杂数据进行分析处理的需求,以机器学习技术为基础的多标记学习技术现已成为一个研究热点,其研究成果广泛地应用于各种不同的领域,如图像视频的语义标注、功能基因组、音乐情感分类以及营销指导等[1, 2]。多标记学习的主要特点在于它能反映真实世界对象具有的多义性。因此,在最近十年来,多标记学习已逐渐吸引国内外许多一流的学术机构和科学研究者。

多标记问题定义和评价指标是一个研究热点。由于多标记学习输出空间的类别标记集合数随着标记空间的增大而成指数规模增长,当标记空间具有k个类别标记时,则可能的类别标记集合数为2k,为了有效应对标记集合空间过大所造成的学习困难,学习系统需要充分利用标记之间的相关性来辅助学习过程的进行,基于考察标记之间相关性的不同方式,有一阶策略、二阶策略、高阶策略等多标记学习问题求解策略[3]。……

登录APP查看全文

猜你喜欢
特征评价方法
SBR改性沥青的稳定性评价
石油沥青(2021年4期)2021-10-14 08:50:44
如何表达“特征”
不忠诚的四个特征
当代陕西(2019年10期)2019-06-03 10:12:04
用对方法才能瘦
Coco薇(2016年2期)2016-03-22 02:42:52
四大方法 教你不再“坐以待病”!
Coco薇(2015年1期)2015-08-13 02:47:34
捕鱼
基于Moodle的学习评价
线性代数的应用特征
河南科技(2014年23期)2014-02-27 14:19:15
保加利亚转轨20年评价
多维度巧设听课评价表 促进听评课的务实有效
体育师友(2012年4期)2012-03-20 15:30:10