Granular multi-label feature selection based on mutual information

مانند یادگیری ماشین سنتی، یادگیری چند برچسب با لعن ابعاد مواجه است. برخی از الگوریتم های انتخاب ویژگی برای یادگیری چند لایه پیشنهاد شده است که یا مشکل انتخاب چند لایک را به مشکلات انتخاب چندگانه چندگانه تبدیل می کند یا به طور مستقیم ویژگی های مجموعه داده های چند لای را انتخاب می کند. با این حال، سابق وابستگی به برچسب را حذف می کند یا برچسب های جدیدی را تولید می کند که باعث می شود با مشکلاتی جدی مواجه شوند. دوم، با توجه به وابستگی به برچسب جهانی، اغلب ویژگی های چندگانه یا غیر مرتبط را انتخاب می کنند، زیرا در واقع همه برچسب ها به یکدیگر وابسته نیستند، که ممکن است الگوریتم را اشتباه گرفته و عملکرد طبقه بندی آن را کاهش دهد. برای انتخاب یک زیرمجموعه مناسب تر و جمع و جور و همچنین کشف وابستگی برچسب، یک روش انتخاب گرانشی برای یادگیری چند لایحه با معیار حداکثر ضریب همبستگی حداقل بر اساس اطلاعات متقابل پیشنهاد شده است. معیار حداکثر ضریب همبستگی افزونگی اطمینان حاصل می کند که زیر مجموعه های انتخاب شده شامل اطلاعات بیشتر در مورد طبقه بندی-جدایی ناپذیر است، در حالی که در عین حال، کمترین میزان اضافه کاری را نشان می دهد. گرانولاسیون می تواند به کشف وابستگی برچسب کمک کند. ما در رابطه با جزئیات گرانروی برچسب و عملکرد در چهار مجموعه داده ها، و مقایسه روش پیشنهادی با سایر روش های انتخاب سه ویژگی چند لایک را مقایسه می کنیم. نتایج تجربی نشان می دهد که روش پیشنهاد شده می تواند زیر مجموعه های جمع و جور جمع و جور را انتخاب کند، عملکرد طبقه بندی را بهبود بخشد و از سه روش دیگر در معیار ارزیابی یادگیری چند لایک به طور گسترده ای استفاده کند.