多標(biāo)記數(shù)據(jù)特征提取方法的輸出核函數(shù)構(gòu)造方法
推薦 + 挑錯(cuò) + 收藏(0) + 用戶評(píng)論（0）
針對(duì)多標(biāo)記數(shù)據(jù)特征提取方法中輸出核函數(shù)沒有準(zhǔn)確刻畫標(biāo)記間的相關(guān)性的問題，在充分度量標(biāo)記間相關(guān)性的基礎(chǔ)上，提出了兩種新的輸出核函數(shù)構(gòu)造方法。第一種方法首先將多標(biāo)記數(shù)據(jù)轉(zhuǎn)化為單標(biāo)記數(shù)據(jù)，并使用標(biāo)記集合來刻畫標(biāo)記間的相關(guān)性；然后從損失函數(shù)的角度出發(fā)定義新的輸出核函數(shù)。第二種方法是利用互信息來度量標(biāo)記間的兩兩相關(guān)性，在此基礎(chǔ)上進(jìn)一步構(gòu)造新的輸出核函數(shù)。3個(gè)多標(biāo)記數(shù)據(jù)集上2種分類器的實(shí)驗(yàn)結(jié)果表明，與原有核函數(shù)對(duì)應(yīng)的多標(biāo)記特征提取方法相比，基于損失函數(shù)的輸出核函數(shù)對(duì)應(yīng)的特征提取方法性能最好，5個(gè)評(píng)價(jià)指標(biāo)的性能平均提高了10%左右，尤其在Yeast數(shù)據(jù)集上，Coverage指標(biāo)下降幅度達(dá)到了30%左右；基于互信息的輸出核函數(shù)次之，性能平均提高了5%左右。實(shí)驗(yàn)結(jié)果表明，基于新的輸出核函數(shù)的特征提取方法能夠更加有效地提取特征，并進(jìn)一步簡(jiǎn)化分類器的學(xué)習(xí)過程，提高分類器的泛化性能。
非常好我支持^.^
(0) 0%
不好我反對(duì)
(0) 0%
下載地址
多標(biāo)記數(shù)據(jù)特征提取方法的輸出核函數(shù)構(gòu)造方法下載
相關(guān)電子資料下載
- 數(shù)據(jù)分析的工具有哪些 76
- 不同的人工神經(jīng)網(wǎng)絡(luò)模型各有什么作用? 126
- verilog系統(tǒng)函數(shù) 157
- 人工神經(jīng)網(wǎng)絡(luò)模型是一種什么模型 220
- 循環(huán)神經(jīng)網(wǎng)絡(luò)算法原理及特點(diǎn) 158
- 循環(huán)神經(jīng)網(wǎng)絡(luò)算法有哪幾種 153
- 循環(huán)神經(jīng)網(wǎng)絡(luò)有哪些基本模型 162
- 卷積神經(jīng)網(wǎng)絡(luò)和bp神經(jīng)網(wǎng)絡(luò)的區(qū)別在哪 104
- 如何設(shè)計(jì)人臉識(shí)別的神經(jīng)網(wǎng)絡(luò) 148
- 神經(jīng)網(wǎng)絡(luò)反向傳播算法的作用是什么 154