10.3969/j.issn.1000-386x.2018.06.052
基于模糊C均值改进的粒化特征加权多标签分类算法
多标签分类中,每个样本拥有多个标签,使得标签间的组合数量呈指数增长,分类过程中不同特征附带的标签分类信息不同,而特征和标签间的相关性常被忽略.为此,提出基于模糊C均值(FCM)改进的粒化特征加权多标签分类算法.该算法依据平均信息熵所得最佳粒化数目对标签空间粒化,由信息增益计算特征对于标签粒的隶属度,由隶属度判断它们之间相关性的大小,将这相关性融入到特征的权重系数中,对特征进行加权,以解决特征与标签的相关性问题和标签组合爆炸问题.在多个数据集上的实验表明:相较于其他经典多标签学习算法,该算法在各项评价指标的整体上取得较好的效果.
模糊C均值聚类、信息增益、平均信息熵、粒化、多标签学习
35
TP301.6(计算技术、计算机技术)
2018-10-29（万方平台首次上网日期，不代表论文的发表时间）
共6页
286-291
