江苏大学学报(自然科学版)

作者：王进，陈瑀，孙开伟

单位：重庆邮电大学 数据工程与可视计算重点实验室， 重庆 400065

关键词：机器学习, 多标签学习, 分类器链, 标签关联, 梯度提升

基金：国家自然科学基金青年科学基金资助项目(61806033)； 重庆市自然科学基金资助面上项目(cstc2019jcyj-msxmX0021)

为了确定多标签分类器链方法的链序以及挖掘出高阶标签关联性，提出了一种基于梯度提升的多标签分类器链方法.给出了GBCC整体框架，通过一种预剪枝策略对单一标签进行梯度提升，在此过程中利用标签置信度和误差评价分数确定最佳链序，并在各个标签间进行标签传递和特征传递，以挖掘高阶标签关联性.将所提出方法与4种分类器链方法(CC、ECC、OCC、EOCC)以及4种多标签分类方法(BR、HOMER、MLKNN、CLR)在bibtex、Corel5k等12个多标签数据集上进行对比试验.结果表明：新方法在各个评价指标(micro-F1、macro-F1、Hamming loss、One-error)下不仅能够有效提升预测性能，而且能够保持分类器链方法的简单灵活性.

来源：2021年第3期

《江苏大学学报(自然科学版)》期刊编辑部

查看江苏大学学报(自然科学版)杂志2021年第3期