基于梯度提升的多标签分类器链方法

作     者：王进 陈瑀 孙开伟 WANG Jin;CHEN Yu;SUN Kaiwei

作者机构：重庆邮电大学数据工程与可视计算重点实验室重庆400065 

出 版 物：《江苏大学学报（自然科学版）》 (Journal of Jiangsu University：Natural Science Edition)

年 卷 期：2021年第42卷第3期

页      面：309-317页

学科分类：1305[艺术学-设计学（可授艺术学、工学学位）] 13[艺术学] 081104[工学-模式识别与智能系统] 08[工学] 0804[工学-仪器科学与技术] 081101[工学-控制理论与控制工程] 0811[工学-控制科学与工程] 

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) 

主　　题：机器学习 多标签学习 分类器链 标签关联 梯度提升 

摘      要：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.