基于贝叶斯模型的多标签分类算法研究结论.pptVIP

Company Logo LOGO 基于贝叶斯模型的多标签分类算法研究 张洛阳、毛嘉莉、刘斌、吴涛 西华师范大学 大纲 引言 国内外研究现状 BR和CC算法分析 基于贝叶斯模型的多标签分类算法 算法仿真实验及结果分析 结论 基于贝叶斯模型的多标签分类算法研究 基于贝叶斯模型的多标签分类算法研究 多标签分类 允许实例拥有多个类别(或称为标签) 多标签分类的应用场景 例如，在互联网营销中，通过搜索、浏览、点击、购买等行为为每一个用户建立多个特征标签，有利于电商进行合理的个性化推荐。 大纲 引言 国内外研究现状 BR和CC算法分析 基于贝叶斯模型的多标签分类算法 算法仿真实验及结果分析 总结 基于贝叶斯模型的多标签分类算法研究 基于贝叶斯模型的多标签分类算法研究 问题转换 二元关联(Binary Relevance, BR):忽略标签之间相互关系 标签幂集法(Label Power-set, LP):偏置性 剪枝幂集(Pruned Problem Transformation, PPT) 随机标签(Random k-label-sets, RAkEL) 算法转换 多标签k近邻法(Multi-label KNN, MLKNN) 多标签后向传播网络(Back-Propagation MLL, BPMLL) 排序支持向量机(Rank Support Vector Machine, R-SVM) 随机游走模型(Multi-label Random Walk, MLRW) 算法模型 链型分类(Classifier Chain, CC)：性能受特征属性维数约束 组合链型分类(Ensembles of Classifier Chains, ECC) 概率链型分类(Probabilistic Classifier Chain, PCC) 贝叶斯链型分类(Bayesian Chain Classifier, BCC) 大纲 引言 国内外研究现状 BR和CC算法的不足 基于贝叶斯模型的多标签分类算法 算法仿真实验及结果分析 总结 基于贝叶斯模型的多标签分类算法研究 基于贝叶斯模型的多标签分类算法研究 多标签分类的数学描述：根据实例的属性(特征属性或标签属性)，在2|L|种标签组合中选取概率最大的作为该实例的标签。 (1) BR算法由|L|个二类分类器组成，并且假设标签相互独立 (2) 显然式(1)和式(2)在绝大多数情况下不相等。 基于贝叶斯模型的多标签分类算法研究 CC算法把已分类标签当作未分类标签的特征属性，分类器训练阶段会考虑标签之间相关性，因此有下式成立： (3) 当实例的特征属性维数过大时，新增的特征属性不能影响分类器的输出结果，因此该算法的性能没有得到提升。 (4) 针对BR和CC的不足，提出贝叶斯模型多标签分类算法。标签的取值由属性置信度和标签置信度共同决定。 大纲 引言 国内外研究现状 BR和CC算法的不足 基于贝叶斯模型的多标签分类算法 算法仿真实验及结果分析 总结 基于贝叶斯模型的多标签分类算法研究 基于贝叶斯模型的多标签分类算法研究 属性置信度：由分类器根据实例的特征属性计算得到，记作confa(l)?，并且满足 : (5) K近邻(K Nearest Neighbor)输出的结果满足(5)式，可以直接作为属性置信度。 标签置信度：指在已知前i-1个标签取值的前提下第i个标签取值的先验概率(KNN仅考虑K个最近邻)，记作confb(l)。 (6) Rank(L)={rank[1],…,rank[n]}表示实例的标签根据分类器输出的confa(l)进行降序排列的序列，其中