专门做美妆的网站,网站开发的时间流程,黄页号码怎么删除掉,一键注册所有网站宋文广 李程文 谭建平摘 要#xff1a;传统的图数据分类研究主要集中在单标签集#xff0c;然而在很多应用中#xff0c;每个图数据都会同时具有多个标签集。文章研究关于多标签图数据分类问题#xff0c;并提出基于半监督的SVM多标签图数据分类算法。算法首先通过一对多…宋文广 李程文 谭建平摘 要传统的图数据分类研究主要集中在单标签集然而在很多应用中每个图数据都会同时具有多个标签集。文章研究关于多标签图数据分类问题并提出基于半监督的SVM多标签图数据分类算法。算法首先通过一对多二元分解将多标签图数据分解成多个单标签图数据。然后对分解后的图数据运用半监督SVM进行分类。通过实验证明该方法在已标注图数据较少情况下具有较高的分类精度。关键词图数据;多标签;半监督;自训练單标签分类(二分类)是传统分类方法的主要研究方向它是基于一幅图只有一个标签的假设上。在现实场景中所用到的图数据一般都具有多个标签集[1-2]。半监督学习即利用大量无标签数据和少量有标签数据共同训练模型。但半监督学习很难与监督学习分类性能相比但从目前算法优化发展来看半监督学习很有可能达到传统分类方法的性能。1 基于半监督的SVM分类算法2 实验2.1 数据集用一组化合物抗癌活性性能数据集作为实验用多标签数据集。该组数据包含了化合物对于10种癌症的抗癌活性性能的记录将10种癌症中记录不完全的数据移除得到812个被分配了10个标签的图。2.2 评估方法多标签分类比传统单标签分类问题需要不同的实验结果评估标准。在这里采用Ranking Loss和Average Precision评估多标签[3-4]分类性能。实验结果评估标准如下(1)Ranking Loss评估分类实际输出值的性能它的值由错误预测的标签对的平均值计算得到的。(2)平均准确率评估排列顺序在特殊标签y之上的标签的平均值把y设置为真实标签集。2.3 实验设置为了体现本文算法的有效性与实用性采用以下对比方法进行实验。(1)单标签SVM这个方法采用单标签图数据训练普通的SVM模型。(2)多标签SVM这个方法采用多标签图数据训练自适应SVM模型。2.4 实验结果实验中将每一个图数据集平均分割成10个小数据集。在这些数据集中只采用其中的一个作为测试集其他的9个作为训练集每一组实验重复进行10次。实验结果如图1—2所示。图1表示1-AvgPrec的实验结果图2表示Ranking Loss的实验结果。如图1—2所示纵坐标则分别表示1-AvgPrec值和Ranking Loss值横坐标表示实验次数。由图1—2可知无论是Ranking Loss还是1-AvgPrec文章提出的方法(MGSTSVM)输出效果比(GSVM)的输出效果略好。3 结语本文采用半监督SVM方法可以利用大量未标注数据来帮助分类模型的训练从而挖掘出未标注数据中可能含有的对分类起重要作用的信息。进而在已标注多标签图数据比较少的情况下得到不错的分类器。在以后的研究工作中将会继续完善研究方法并寻找提高目标域子图数量的算法。[参考文献][1]BRAVO MARQUEZ FFRANK EMOHAMMAD S Met al.Determining word-emotion associations from tweets by multi-label classification[C].NebraskaIEEE/WIC/ACM International Conference on Web Intelligence2017.[2]AGGARWAL C CZHAI C X.A survey of text classification algorithms[J].Springer US2012(3)163-222.[3]SEBASTINAI F.Machine learning in automated text categorization[J].ACM Computing Surveys2002(1)1-47.[4]YEH C KWU W CKO W Jet al.Learning deep latent spaces for multi-label classification[J]. 2017(7)12-15.
