《表5 六种算法在11个数据集中的海明损失排序1)》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《不平衡标记差异性多标记特征选择算法》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

1)海明损失指标越小越好，灰底数值表示在该指标上取得的最优结果；2)括号内数字表示在11个数据集中算法获得最优值的个数

本研究实验代码均在Matlab2016a中运行，硬件环境InterCoreTMi7-7700HQ [email protected] GHz，8Gbyte内存；操作系统为Windows 10．以多标记k近邻（multi-label k-nearest neighbor，ML-k NN）[19]作为基础分类器，对基于最大相关性的多标记维数约简（multi-label dimensionality reduction via dependence maximization，MDDM）算法[20-21]、基于多变量互信息的多标记特征选择算法PMU（pairwise multivariate mutual information）[22]、多标记朴素贝叶斯分类的特征选择（feature selection for multi-label naive Bayes classification，MLNB）算法[23]、基于标记相关性的多标记特征选择（multi-label feature selection with label correlation，MUCO）算法[13]和MSIO算法的AP、RL、OE和HL值进行排序．其中，MDDM算法按照参数所选择的不同分为MDDMspc与MDDMproj算法．由于MDDM、PMU、MUCO和MSIO算法得到的是一组特征序列，于是设置特征子集的个数与MLNB算法一致，并设ML-k NN中的平滑系数s=1，近邻个数k=10．表2至表5列举了6种算法在数据集中的AP、RL、OE和HL值．