为解决多标记学习中的维度灾难问题，采用分而治之的方法，充分考虑标记间的相关性，提出一种基于改进快速密度聚类的多标记学习层次树模型（ML-HTM）.该模型降低了聚类过程中的计算复杂度，提高了多标记学习效率.为检验模型效果，在6个高维数据集、12个多标记分类评价指标上进行多标记学习实验，并与6种经典多标记学习算法的评价指标值进行算法对比.实验结果表明，该模型对多标记学习中高维数据的处理，明显提高了预测性能和学习效率，充分挖掘标记间的相关性，使得标记预测的结果更加准确.
科研之友
微信
新浪微博
Facebook
分享链接
