《基于ls-svm的多標(biāo)簽分類算法》由會員上傳分享，免費在線閱讀，更多相關(guān)內(nèi)容在學(xué)術(shù)論文-天天文庫。

1、Multi—labelClassificationAlgorithmBasedonLS．SVMADissertationSubmittedtoNanjingNormalUniVersi夠F0rtheAcademicDegree0fMasterofEngineeringBYHuiYINSupervisedbVSUDerVlSedbVProf．JianhuaXUSchoolofComputerScienceand1’echnologyNanjingNomalUniVersityA研l(wèi)201O學(xué)位論文獨創(chuàng)性聲明本人鄭重聲明

2、：1、堅持以“求實、創(chuàng)新’’的科學(xué)精神從事研究工作。2、本論文是我個人在導(dǎo)師指導(dǎo)下進(jìn)行的研究工作和取得的研究成果。3、本論文中除引文外，所有實驗、數(shù)據(jù)和有關(guān)材料均是真實的。4、本論文中除引文和致謝的內(nèi)容外，不包含其他人或其它機(jī)構(gòu)已經(jīng)發(fā)表或撰寫過的研究成果。5、其他同志對本研究所做的貢獻(xiàn)均已在論文中作了聲明并表示了謝意。研究生簽名：日期：學(xué)位論文使用授權(quán)聲明本人完全了解南京師范大學(xué)有關(guān)保留、使用學(xué)位論文的規(guī)定，學(xué)校有權(quán)保留學(xué)位論文并向國家主管部門或其指定機(jī)構(gòu)送交論文的電子版和紙質(zhì)版；有權(quán)將學(xué)位論文用于非贏利目的的少量復(fù)

3、制并允許論文進(jìn)入學(xué)校圖書館被查閱；有權(quán)將學(xué)位論文的內(nèi)容編入有關(guān)數(shù)據(jù)庫進(jìn)行檢索；有權(quán)將學(xué)位論文的標(biāo)題和摘要匯編出版。保密的學(xué)位論文在解密后適用本規(guī)定。研究生簽名：日期：‰摘要捅要分類是用訓(xùn)練樣本建立的模型將測試樣本分到一個或多個類中。傳統(tǒng)的單標(biāo)簽分類問題是假設(shè)類之間相互獨立，一個樣本僅能歸為其中一類，而在實際應(yīng)用中，樣本會和多個類相關(guān)聯(lián)，需將樣本同時歸到多個類，這就是多標(biāo)簽分類問題。目前，多標(biāo)簽分類算法的研究已經(jīng)取得了很多成果，大致可分為算法有關(guān)和算法無關(guān)兩大類方法。算法有關(guān)的方法雖然沒有改變數(shù)據(jù)的結(jié)構(gòu)以及類與類之問的

4、聯(lián)系，但是由于它需要花費大量時間去解優(yōu)化問題，因此難于應(yīng)用到較大規(guī)模的數(shù)據(jù)集。算法無關(guān)的方法不需要考慮標(biāo)簽的相關(guān)性，因此易于實現(xiàn)，并且運行速度較快。從分解的角度可將算法無關(guān)的方法分為一對一分解、一對多分解以及冪集法等。由于一對一分解出的數(shù)據(jù)集規(guī)模比一對多要小，并且分解出的兩類樣本的數(shù)量更平衡，因此，一對一分解策略更受科研人員的青睞。本文采用一對一分解策略，將多標(biāo)簽分類問題分解成后(缸1)／2個兩類單標(biāo)簽和兩類雙標(biāo)簽的分類子問題，對分解后的數(shù)據(jù)子集建立LS。SVM分類模型，當(dāng)出現(xiàn)兩類單標(biāo)簽子問題時，使用傳統(tǒng)的Ls．sv

5、M分類算法直接處理；當(dāng)出現(xiàn)兩類雙標(biāo)簽時，將同時擁有兩個標(biāo)簽的樣本看成混合類，并將標(biāo)簽值設(shè)為O，對新的數(shù)據(jù)子集再用LS．SVM分類器進(jìn)行處理。兩類雙標(biāo)簽建立的分類模型一般將分類閾值f設(shè)為±O．5。為了得到更佳的分類閡值，本文根據(jù)jF類．混合類、負(fù)類一混合類的數(shù)據(jù)分布分別求得兩個分類閾值，通過實驗比較說明優(yōu)化分類閾值能改善算法的性能。最后，利用投票方法將測試數(shù)據(jù)分到一個或多個類中。在算法的實驗部分，本文歸納了不同的預(yù)測評價準(zhǔn)則，并介紹四個基準(zhǔn)的數(shù)據(jù)集以及數(shù)據(jù)集標(biāo)簽的描述。對情感、景象、酵母和基因這四個數(shù)據(jù)集分別采用本文的

6、方法預(yù)測，對于參數(shù)y和盯2選擇，LS—SVM模型采用網(wǎng)格搜索的方法，設(shè)定這兩個參數(shù)的可行區(qū)間，由計算機(jī)自動對各參數(shù)變量組合并逐一擇優(yōu)，使用留一法選取最佳參數(shù)值。對情感數(shù)據(jù)集的預(yù)測結(jié)果說明，本文的方法在漢明損失、準(zhǔn)確度、1錯誤率以及排序損失上都有較好的結(jié)果，而其他幾個評價標(biāo)準(zhǔn)也均列在前列；景象數(shù)據(jù)集上的實驗結(jié)果表明，本文的預(yù)測方法在漢明損失和查全率上具有較好的結(jié)果；本文采用的方法在酵母數(shù)據(jù)集上有較高的查全率；而對基因數(shù)據(jù)集，現(xiàn)存的多標(biāo)簽分類方法以及本文所采用的基于LS．SvM算法均有較好的預(yù)測效果。對本文的算法和現(xiàn)存的

7、多標(biāo)簽分類算法的比較結(jié)果顯示，沒有一個算法能夠保證其預(yù)測結(jié)果在所有的評價準(zhǔn)則上都是最優(yōu)的，但是本文的算法在某些性能上優(yōu)于現(xiàn)有的算法。關(guān)鍵詞：LS．SVM，多標(biāo)簽分類，一對一分解策略，閾值選擇AbstractClassificationisamethodthatclassifiesas鋤pleintooneormorecIassesusmgamodeltrainedbytrainingsamples．Traditionalsinglelabelproblemisbasedontheassumptionthatclass

8、esareindependent，andones鋤plecanonlybelongtooneottheseclasses．Butinpractical印plication，onesamplemayberelatedtomultipIeclasses，thusitShouldbeclassifiedintomorethaIloneclass，an