閾值分類(lèi)器組合的多標(biāo)簽分類(lèi)算法
推薦 + 挑錯(cuò) + 收藏(0) + 用戶評(píng)論（0）
針對(duì)目標(biāo)可以同時(shí)屬于多個(gè)類(lèi)別的多標(biāo)簽分類(lèi)問(wèn)題，提出了一種基于浮動(dòng)閾值分類(lèi)器組合的多標(biāo)簽分類(lèi)算法。首先，分析探討了基于浮動(dòng)閾值分類(lèi)器的AdaBoost算法（AdaBoost. FT）的原理及錯(cuò)誤率估計(jì)，證明了該算法能克服固定分段閾值分類(lèi)器對(duì)分類(lèi)邊界附近點(diǎn)分類(lèi)不穩(wěn)定的缺點(diǎn)從而提高分類(lèi)準(zhǔn)確率；然后，采用二分類(lèi)（BR）方法將該單標(biāo)簽學(xué)習(xí)算法應(yīng)用于多標(biāo)簽分類(lèi)問(wèn)題，得到基于浮動(dòng)閾值分類(lèi)器組合的多標(biāo)簽分類(lèi)方法，即多標(biāo)簽AdaBoost．FT。實(shí)驗(yàn)結(jié)果表明，所提算法的平均分類(lèi)精度在Emotions數(shù)據(jù)集上比AdaBoost．MH、ML-kNN、RankSVM這3種算法分別提高約4%、8%、11%；在Scene、Yeast數(shù)據(jù)集上僅比RankSVM低約3%、1%。由實(shí)驗(yàn)分析可知，在不同類(lèi)別標(biāo)記之間基本沒(méi)有關(guān)聯(lián)關(guān)系或標(biāo)簽數(shù)目較少的數(shù)據(jù)集上，該算法均能得到較好的分類(lèi)效果。
非常好我支持^.^
(0) 0%
不好我反對(duì)
(0) 0%
下載地址
閾值分類(lèi)器組合的多標(biāo)簽分類(lèi)算法下載
相關(guān)電子資料下載
- OpenAI發(fā)布圖像檢測(cè)分類(lèi)器，可區(qū)分AI生成圖像與實(shí)拍照片 204
- 機(jī)器學(xué)習(xí)多分類(lèi)任務(wù)深度解析 625
- 電池研發(fā)再現(xiàn)黑科技，鋰電巨頭正借此突破關(guān)鍵瓶頸！ 701
- 揭秘大語(yǔ)言模型可信能力的五個(gè)關(guān)鍵維度 240
- 機(jī)器視覺(jué)之Halcon入門(mén)學(xué)習(xí) 780
- 使用RayDF方法突破3D形狀重建方案 328
- 一套試題看看您對(duì)深度學(xué)習(xí)了解多少？ 136
- 機(jī)器學(xué)習(xí)常用的5種采樣方法盤(pán)點(diǎn) 571
- SLAM/SfM相似非回環(huán)場(chǎng)景應(yīng)該如何處理？ 492
- 機(jī)器學(xué)習(xí)有哪些算法？機(jī)器學(xué)習(xí)分類(lèi)算法有哪些？機(jī)器學(xué)習(xí)預(yù)判有哪些算法？ 1621