Study of data transformation techniques for adapting single-label prototype selection algorithms to multi-label learning

در این مقاله تمرکز بر استفاده از انتخاب نمونه اولیه به مجموعه داده های چند برچسب به عنوان مرحله اولیه در فرآیند یادگیری است. دو روش کلی برای طراحی الگوریتم های یادگیری ماشین وجود دارد که قادر به حل مشکلات چند لایک هستند: تبدیل داده ها و سازگاری با روش. این استراتژی ها برای به دست آوردن طبقه بندی ها و رگرسیون ها برای یادگیری چند لایک موفقیت آمیز بوده است. در اینجا ما امکان تحول داده ها را در به دست آوردن الگوریتم های انتخاب نمونه اولیه برای مجموعه داده های چند لات از سه الگوریتم انتخاب نمونه برای تک برچسب بررسی می کنیم. روشهای تحلیلی داده ها عبارت بودند از: ارتباط دودویی، وابستگی دودویی وابسته، قدرت پیکربندی برچسب، و کلاسیک های تصادفی به صورت تصادفی. نتیجه گیری کلی این است که روش انتخاب نمونه اولیه با استفاده از تبدیل داده ها بهتر از آنهایی است که از طریق سازگاری با روش ها به دست نمی آیند. علاوه بر این، الگوریتم های انتخاب پروتوتایپ برای چند برچسب طراحی شده برای یک کار کاملا رضایت بخش نیست، زیرا اگرچه آنها اندازه مجموعه داده ها را کاهش می دهند بدون تأثیر قابل توجهی بر دقت، طبقه بندی شده با مجموعه داده های کاهش یافته آموزش داده شده، دقت صحت طبقه بندی زمانی که آن را با کل مجموعه داده آموزش دیده است.