Random forest for label ranking

هدف از رتبه بندی برچسب ها، یادگیری نقشه برداری از موارد به رتبه بندی بیش از تعداد محدودی از برچسب های از پیش تعریف شده است. جنگ های تصادفی قدرتمند و یکی از موفق ترین الگوریتم های یادگیری ماشین برای زمان های مدرن می باشد. در این مقاله، ما یک روش ارزیابی برچسب زیستی تصادفی قدرتمند ارائه می کنیم که از درخت تصمیم گیری تصادفی برای بازیابی نزدیکترین همسایگان استفاده می کند. ما یک استراتژی جمعآوری رتبه دو مرحله ای جدید را برای به طور موثر جمع آوری رتبه بندی همسایه کشف شده توسط جنگل تصادفی به رتبه بندی نهایی پیش بینی کرده ایم. در مقایسه با روش های موجود، روش جنگل تصادفی جدید دارای مزایای فراوانی از قبیل ساختار داده های درختی قابل شمارشی، معماری محاسباتی بسیار موازی و عملکرد بسیار عالی است. ما نتایج تجربی گسترده ای را نشان می دهیم تا نشان دهد که روش جدید ما عملکرد بسیار رقابتی را در مقایسه با روش های پیشرفته ترین مجموعه داده ها با رتبه بندی کامل و مجموعه داده ها با اطلاعات جزئی تنها ارائه می دهد.