多标记学习的嵌入式特征选择

• 作者: 尤鸣宇 李国正 葛雷
• 来源期刊: 南京大学学报（自然科学版）
• 学科: 工学
• 关键词: 多标记学习 特征选择 预报风险准则 k近邻 主成分分析
• 年，卷（期）: 2009,（5）
• 所属期刊栏目: 数据挖掘及应用专栏
• 页码范围: 671-676
• 页数: 6页
• 分类号: TP391.41
• 字数: 3839字
• 语种: 中文
• DOI: 10.3321/j.issn:0469-5097.2009.05.014

摘要

维数约减是数据挖掘领域的关键技术.传统的降维方法主要解决单标记学习问题.由于多标记学习问题的复杂性,多标记降维方法很少.直接应用未监督的降维方法到多标记学习中,忽略了类标信息.而通过分解多标记问题为单标记问题,应用现有的有监督降维方法到多标记学习中,忽略了类标间的关系.现有的多标记有监督的降维方法是基于依赖最大化的维数约简(multi-label dimensionality reduction via depen dence maximization,MDDM),它是一种特征抽取的方法.目前还没有多标记的特征选择方法.因为在多标记学习中如何评估特征,是一个很有挑战性的问题.本文提出一个嵌入式的特征选择方法MEFS(multi-label embedded feature selection),其中采用预报风险准则作为特征的评价准则.在公开评测的yahoo网页分类数据集上进行了两个实验:(1)分析多标记学习的性能指标对特征评估的影响;(2)比较MEFS与MDDM,PCA(主成份分析),LPP(局部保留投影)的降维效果,实验显示MEFS的性能优于新近提出的MDDM等一些流行的多标记降维方法.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	李国正	同济大学控制科学与工程系	16	146	8.0	11.0
2	葛雷	上海大学计算机工程与科学学院	1	33	1.0	1.0
3	尤鸣宇	上海大学计算机工程与科学学院	1	33	1.0	1.0