基于KNN的多標(biāo)簽分類算法研究.pdf

1、分類是將給定的數(shù)據(jù)劃分到預(yù)定義的數(shù)據(jù)類中的過(guò)程，在數(shù)據(jù)挖掘和機(jī)器學(xué)習(xí)中是非常重要的一個(gè)學(xué)科分支并有著廣泛的應(yīng)用和研究。根據(jù)數(shù)據(jù)屬于單個(gè)類還是多個(gè)類，分類分為單標(biāo)簽分類和多標(biāo)簽分類，由于多標(biāo)簽?zāi)芨诱鎸?shí)的表達(dá)現(xiàn)實(shí)世界中的存在，其應(yīng)用相對(duì)單標(biāo)簽而言更加廣泛。目前多標(biāo)簽分類比較多的應(yīng)用在文本分類，生物信息分類，場(chǎng)景分類，圖像自動(dòng)標(biāo)注，視頻剪輯等眾多領(lǐng)域。雖然多標(biāo)簽應(yīng)用廣泛，但由于多標(biāo)簽內(nèi)在的復(fù)雜性即標(biāo)簽之間存在相關(guān)性和多標(biāo)簽數(shù)據(jù)表達(dá)的復(fù)雜性以

2、及輸出空間的指數(shù)性，仍然需要對(duì)現(xiàn)有的理論和算法有進(jìn)一步的研究和整合，以使多標(biāo)簽分類算法有進(jìn)一步的改善。
　　1、相關(guān)理論分析。首先簡(jiǎn)要介紹了單標(biāo)簽的相關(guān)理論；然后對(duì)多標(biāo)簽分類的相關(guān)理論和方法進(jìn)行了詳盡的闡述和分析。
　　2、基于 MLKNN(Multi-Label K-Nearest Neighbor，多標(biāo)簽 k鄰近算法)。KNN(K-Nearest Neighbor，k鄰近)算法是一種簡(jiǎn)單但高效的聚類算法，有著廣泛的應(yīng)用，

3、在多標(biāo)簽分類中也得到了一定程度的應(yīng)用。在分析多標(biāo)簽分類算法MLKNN存在缺陷和不足的基礎(chǔ)上，本文提出一種改進(jìn)的MLKNN算法。對(duì)于每一個(gè)輸入數(shù)據(jù)，利用KNN算法得出輸入數(shù)據(jù)的k鄰域進(jìn)而求得每個(gè)數(shù)據(jù)中每個(gè)標(biāo)簽的先驗(yàn)概率和后驗(yàn)概率，然后得出每一個(gè)標(biāo)簽在數(shù)據(jù)中的最大概率。將每個(gè)數(shù)據(jù)的各個(gè)標(biāo)簽概率放到數(shù)據(jù)的特征向量中并以此來(lái)表示局部的標(biāo)簽相關(guān)性，再用帶有標(biāo)簽概率的數(shù)據(jù)特征訓(xùn)練分類模型。對(duì)比實(shí)驗(yàn)結(jié)果驗(yàn)證了所提算法具有較好的多標(biāo)簽分類效果。

4、　　3、多實(shí)例數(shù)據(jù)表示分類方法。現(xiàn)存的很多分類方法都只是將數(shù)據(jù)樣本表示為一個(gè)實(shí)例訓(xùn)練分類模型進(jìn)而得出未分類數(shù)據(jù)的標(biāo)簽，沒有利用數(shù)據(jù)本身所包含的豐富的信息，鑒于此在KNN的框架下，本文提出一種基于多實(shí)例數(shù)據(jù)表示的多標(biāo)簽分類方法。該算法首先對(duì)于每一個(gè)輸入數(shù)據(jù)，利用KNN算法得到該輸入數(shù)據(jù)的k鄰域，對(duì)于每一個(gè)標(biāo)簽，k鄰域中包含該標(biāo)簽的所有數(shù)據(jù)的算術(shù)平均值作為對(duì)應(yīng)標(biāo)簽的原型向量。將輸入數(shù)據(jù)與該數(shù)據(jù)對(duì)應(yīng)的每一個(gè)原型向量的差值作為對(duì)應(yīng)標(biāo)簽的實(shí)例，這