基于模糊核聚類(lèi)和模糊支持向量機(jī)的多標(biāo)簽分類(lèi)方法研究.pdf

1、自上世紀(jì)后期人們進(jìn)入信息時(shí)代，各種數(shù)據(jù)就海量積累起來(lái)，遠(yuǎn)遠(yuǎn)超出了人力的處理范圍，出現(xiàn)了“信息爆炸而知識(shí)匱乏”的現(xiàn)象。為此，數(shù)據(jù)挖掘技術(shù)應(yīng)運(yùn)而生，并顯示出了強(qiáng)大的生命力。
　　 分類(lèi)是數(shù)據(jù)挖掘中最常見(jiàn)的任務(wù)之一。它是通過(guò)已知的信息總結(jié)出規(guī)律，用來(lái)對(duì)新的數(shù)據(jù)進(jìn)行判別，對(duì)其進(jìn)行預(yù)測(cè)的過(guò)程。其中比較特殊的一種情況是一個(gè)樣本具有多個(gè)標(biāo)簽的分類(lèi)問(wèn)題，稱(chēng)為單實(shí)例多標(biāo)簽分類(lèi)問(wèn)題。不同于常見(jiàn)的單標(biāo)簽分類(lèi)情況，在這類(lèi)問(wèn)題中，數(shù)據(jù)具有多個(gè)標(biāo)簽使得樣本

2、的歸屬變得模糊不清，難以準(zhǔn)確分類(lèi)，具有相當(dāng)?shù)碾y度。然而在日常生活中其用途十分廣泛，很多學(xué)者都致力于此，出現(xiàn)了很多優(yōu)秀的算法及其改進(jìn)。
　　 本文針對(duì)該問(wèn)題設(shè)計(jì)了一種基于模糊支持向量機(jī)的多標(biāo)簽分類(lèi)算法。支持向量機(jī)(Support Vector Machine，SVM)是一種新興的分類(lèi)機(jī)器，于上世紀(jì)九十年代末期由AT&T Bell實(shí)驗(yàn)室的Vapnik等人提出。該分類(lèi)器基于統(tǒng)計(jì)學(xué)習(xí)理論和結(jié)構(gòu)風(fēng)險(xiǎn)最小化原理，集成了最優(yōu)分類(lèi)超平面、核函數(shù)

3、、凸二次規(guī)劃等技術(shù)，能有效地解決“過(guò)學(xué)習(xí)”、“維數(shù)災(zāi)難”和局部極小點(diǎn)等問(wèn)題，具有良好的推廣性和準(zhǔn)確率。但是支持向量機(jī)是針對(duì)兩類(lèi)單標(biāo)簽的數(shù)據(jù)集進(jìn)行設(shè)計(jì)的，不能直接應(yīng)用在多類(lèi)別、多標(biāo)簽的問(wèn)題中。為此本文設(shè)計(jì)了一種模糊支持向量機(jī)，能夠?qū)袃深?lèi)數(shù)據(jù)、樣本可能具有兩個(gè)標(biāo)簽的數(shù)據(jù)集進(jìn)行分類(lèi)。該分類(lèi)器采用了模糊設(shè)計(jì)思想，通過(guò)對(duì)樣本設(shè)置一個(gè)隸屬度函數(shù)，充分利用了數(shù)據(jù)信息。該分類(lèi)器不存在不可分區(qū)域，具有良好的分類(lèi)精度。為了準(zhǔn)確描述樣本對(duì)類(lèi)別的隸屬關(guān)系，

4、本文設(shè)計(jì)了一種基于距離和密度的隸屬度函數(shù)?？紤]到多標(biāo)簽分類(lèi)的特殊性，本文采用了一對(duì)一分解策略，將原始數(shù)據(jù)分解為多個(gè)兩類(lèi)雙標(biāo)簽子集分別訓(xùn)練，然后將其結(jié)果使用投票法進(jìn)行組合，最終完成多標(biāo)簽分類(lèi)。為了提高訓(xùn)練速度，降低訓(xùn)練集中噪音點(diǎn)對(duì)最優(yōu)決策超平面的影響，本文引進(jìn)了一種快速模糊核聚類(lèi)技術(shù)，有效地提高了算法的性能。
　　 在實(shí)驗(yàn)部分，本文首先總結(jié)了一些被廣泛采用的多標(biāo)簽分類(lèi)算法的評(píng)價(jià)標(biāo)準(zhǔn)，然后在UCI提供的數(shù)據(jù)集上進(jìn)行實(shí)驗(yàn)，最后將結(jié)果與