基本信息来源于合作网站,原文需代理用户跳转至来源网站获取       
摘要:
多标记学习和选择性集成是机器学习中的两个热点研究问题.本文利用聚类思想探究多标记学习中的选择性集成,提出了两种具体的多标记选择性集成算法:基于最小距离的簇中心选择算法(Minimum distance based cluster center selection,MDCCS)和基于K?means的簇中心选择算法(K?means based cluster center selection,KMCCS).在所提出的算法中,如何度量学习器之间的距离是其能否成功的关键因素.本文首先基于学习器的分类结果对其进行重新表示,在此基础上给出了学习器之间距离的计算方式.此外,对于算法中的空簇问题给出了两种解决方法.基于Mulan数据库中的多标记数据集和5种评价指标对所提算法进行了详细的分析,实验结果表明了所提算法的有效性.
推荐文章
基于选择性聚类集成的图像目标分类方法
聚类集成
匈牙利算法
近邻传播
图像目标分类
选择性聚类融合新方法研究
选择性聚类融合
参照成员
选择策略
属性重要性加权
基于聚类选择的分类器集成
分类器集成
聚类
分类器选择
差异性
神经网络
基于分类问题的选择性集成学习研究
分类回归树
自助法
选择性集成
内容分析
关键词云
关键词热度
相关文献总数  
(/次)
(/年)
文献信息
篇名 基于聚类的多标记选择性集成
来源期刊 南京航空航天大学学报 学科 数学
关键词 选择性集成 多标记学习 聚类 机器学习
年,卷(期) 2020,(5) 所属期刊栏目
研究方向 页码范围 768-776
页数 9页 分类号 O236
字数 语种 中文
DOI 10.16356/j.1005⁃2615.2020.05.013
五维指标
传播情况
(/次)
(/年)
引文网络
引文网络
二级参考文献  (50)
共引文献  (1)
参考文献  (20)
节点文献
引证文献  (0)
同被引文献  (0)
二级引证文献  (0)
1990(2)
  • 参考文献(0)
  • 二级参考文献(2)
1996(2)
  • 参考文献(0)
  • 二级参考文献(2)
1997(2)
  • 参考文献(0)
  • 二级参考文献(2)
2000(3)
  • 参考文献(1)
  • 二级参考文献(2)
2001(3)
  • 参考文献(1)
  • 二级参考文献(2)
2002(2)
  • 参考文献(1)
  • 二级参考文献(1)
2003(1)
  • 参考文献(0)
  • 二级参考文献(1)
2004(2)
  • 参考文献(1)
  • 二级参考文献(1)
2005(1)
  • 参考文献(0)
  • 二级参考文献(1)
2006(1)
  • 参考文献(0)
  • 二级参考文献(1)
2007(4)
  • 参考文献(2)
  • 二级参考文献(2)
2008(2)
  • 参考文献(0)
  • 二级参考文献(2)
2009(5)
  • 参考文献(1)
  • 二级参考文献(4)
2010(4)
  • 参考文献(1)
  • 二级参考文献(3)
2011(2)
  • 参考文献(0)
  • 二级参考文献(2)
2012(1)
  • 参考文献(0)
  • 二级参考文献(1)
2014(3)
  • 参考文献(2)
  • 二级参考文献(1)
2015(4)
  • 参考文献(0)
  • 二级参考文献(4)
2016(7)
  • 参考文献(2)
  • 二级参考文献(5)
2017(8)
  • 参考文献(1)
  • 二级参考文献(7)
2018(6)
  • 参考文献(2)
  • 二级参考文献(4)
2019(5)
  • 参考文献(5)
  • 二级参考文献(0)
2020(0)
  • 参考文献(0)
  • 二级参考文献(0)
  • 引证文献(0)
  • 二级引证文献(0)
研究主题发展历程
节点文献
选择性集成
多标记学习
聚类
机器学习
研究起点
研究来源
研究分支
研究去脉
引文网络交叉学科
相关学者/机构
期刊影响力
南京航空航天大学学报
双月刊
1005-2615
32-1429/V
大16开
南京市御道街29号1016信箱
28-140
1956
chi
出版文献量(篇)
3509
总下载数(次)
9
总被引数(次)
36115
  • 期刊分类
  • 期刊(年)
  • 期刊(期)
  • 期刊推荐
论文1v1指导