基于平均期望间隔的多标签分类主动学习方法.pdfVIP

第37卷 第 15期 计 算 机 工 程 2011年 8月 、，01．37 NO．15 ComputerEngineering August2011 · 人工智能及识别技术 · 文章编号：100-3428(2011)l5__016_’03 文献标识码：A 中圈分类号：TP18 基于平均期望间隔的多标签分类主动学习方法 刘端阳，邱卫杰 (浙江工业大学计算机科学与技术学院，杭州 310023) 摘 要：针对多标签主动学习速度较慢的问题，提出一种基于平均期望间隔的多标签分类的主动学习方法。计算支持向量机分类器中的期 望间隔，并将其作为样本选择标准。实验结果表明，该方法在分类精度、HammingLoss、Coverage等评价标准上优于基于决策值和后验概 率等主动学习策略，能更好地评价未标记样本，有效提高分类精度和速度。 关健诃：多标签；后验概率；期望间隔；主动学习；支持向量机 ActiveLearningM ethodf0rM ulti-labelClassification BasedonAverageExpectationM argin LIUDuan-yang，QIUWei-jie (CollegeofComputerScienceandTechnology，ZhejiangUniversityofTechnology，Hangzhou310023，China) [Abstract]Aimingattheproblemsthatactivelearninginmulti—labelclassificationisslowly，thispaperproposesanimprovedmethodfor multi—labelclassificationwhichbasedonaverageexpectationmargin．ThemethodbycalculatingSupportVectorMachine(SVM)expectationmragin astheselectioncriteria．Experimentalresultsshow thatmethodproposedifithispaperoutperformsthanotheractivelearningstrategybasedon decisionvalueandposteriorprobabilitystrategyintermsofclassificationaccuracyorHammingLossorCoverage．Itcanevaluatetheunlabeled samplemoreappropriate，increasetheclassificationaccuracyandclassificationratemoreefficient． [Keywords]multi—label；posteriorprobability；expectationmargin；activelearning；SupportVectorMachine(SVM) DOI：10．3969／j．issn．100015．053 l 概述 程中新样本的加入对分类器的影响，利用分类间隔和后验概 在传统的分类 问题中，都是假定一个样本只属于一个类 率，提出一种新的基于期望间隔的主动学习方法。 标签。但是由于客观事物本身的复杂性 ，一个样本可以同时 2 相关知识 拥有多个标签，如在文档分类中，每个文档可能同时隶属于 2．1 支持向量机 多个主题，如艺术和健康。在多标签学习框架中，每个样本 支持向量机是一种建立在统计学习理论基础上的新的分 与一个类标集合相关联，多标签学习的任务就是要为未知样