基于模糊核聚類和模糊支持向量機的多標簽分類方法研究.pdf

1、自上世紀后期人們進入信息時代，各種數(shù)據(jù)就海量積累起來，遠遠超出了人力的處理范圍，出現(xiàn)了“信息爆炸而知識匱乏”的現(xiàn)象。為此，數(shù)據(jù)挖掘技術(shù)應(yīng)運而生，并顯示出了強大的生命力。
　　 分類是數(shù)據(jù)挖掘中最常見的任務(wù)之一。它是通過已知的信息總結(jié)出規(guī)律，用來對新的數(shù)據(jù)進行判別，對其進行預(yù)測的過程。其中比較特殊的一種情況是一個樣本具有多個標簽的分類問題，稱為單實例多標簽分類問題。不同于常見的單標簽分類情況，在這類問題中，數(shù)據(jù)具有多個標簽使得樣本

2、的歸屬變得模糊不清，難以準確分類，具有相當?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。
　　 本文針對該問題設(shè)計了一種基于模糊支持向量機的多標簽分類算法。支持向量機(Support Vector Machine，SVM)是一種新興的分類機器，于上世紀九十年代末期由AT&T Bell實驗室的Vapnik等人提出。該分類器基于統(tǒng)計學(xué)習(xí)理論和結(jié)構(gòu)風(fēng)險最小化原理，集成了最優(yōu)分類超平面、核函數(shù)

3、、凸二次規(guī)劃等技術(shù)，能有效地解決“過學(xué)習(xí)”、“維數(shù)災(zāi)難”和局部極小點等問題，具有良好的推廣性和準確率。但是支持向量機是針對兩類單標簽的數(shù)據(jù)集進行設(shè)計的，不能直接應(yīng)用在多類別、多標簽的問題中。為此本文設(shè)計了一種模糊支持向量機，能夠?qū)袃深悢?shù)據(jù)、樣本可能具有兩個標簽的數(shù)據(jù)集進行分類。該分類器采用了模糊設(shè)計思想，通過對樣本設(shè)置一個隸屬度函數(shù)，充分利用了數(shù)據(jù)信息。該分類器不存在不可分區(qū)域，具有良好的分類精度。為了準確描述樣本對類別的隸屬關(guān)系，

4、本文設(shè)計了一種基于距離和密度的隸屬度函數(shù)。考慮到多標簽分類的特殊性，本文采用了一對一分解策略，將原始數(shù)據(jù)分解為多個兩類雙標簽子集分別訓(xùn)練，然后將其結(jié)果使用投票法進行組合，最終完成多標簽分類。為了提高訓(xùn)練速度，降低訓(xùn)練集中噪音點對最優(yōu)決策超平面的影響，本文引進了一種快速模糊核聚類技術(shù)，有效地提高了算法的性能。
　　 在實驗部分，本文首先總結(jié)了一些被廣泛采用的多標簽分類算法的評價標準，然后在UCI提供的數(shù)據(jù)集上進行實驗，最后將結(jié)果與