基于类别重要度的MIMLBoost改进算法

• 作者: 夏士雄 牛强 赵志军 郝宁
• 来源期刊: 计算机应用
• 学科: 工学
• 关键词: 多示例多标记 MIMIBoost算法 TF-IDF算法 聚类 类别不平衡
• 年，卷（期）: 2015,（11）
• 所属期刊栏目: 2015年全国开放式分布与并行计算学术年会(DPCS 2015)?
• 页码范围: 3122-3125
• 页数: 4页
• 分类号: TP181
• 字数: 3690字
• 语种: 中文
• DOI: 10.11772/j.issn.1001-9081.2015.11.3122

摘要

针对多示例多标记学习算法MIMLBoost中退化过程造成的类别不平衡问题,运用人工降采样思想,引入类别重要度,提出一种改进的基于类别标记评估的退化方法.该方法通过对示例空间中的示例包进行聚类,把标记空间中的标记量化到聚类簇上,再以聚类簇为单位,利用TF-IDF算法对每个类别标记进行重要度评估和筛选,去除重要度低的标记,并将簇中的示例包与其余的类别标记拼接起来,以此来减少大类样本的出现,完成多示例多标记样本向多示例单标记样本的转化.在自然数据集上进行了实验,实验结果发现,改进算法的性能整体上优于原算法,尤其在Hamming loss、coverage、ranking loss三个评测指标上尤为明显,说明所提算法能够有效降低分类的出错率,提高算法的精度和分类效率.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	牛强	中国矿业大学计算机科学与技术学院	57	459	11.0	19.0
2	夏士雄	中国矿业大学计算机科学与技术学院	118	1158	18.0	28.0
3	郝宁	中国矿业大学计算机科学与技术学院	2	2	1.0	1.0
4	赵志军		2	9	2.0	2.0