《表5 六种算法在11个数据集中的海明损失排序1)》
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InterCoreTMi7-7700HQ [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.
图表编号 | XD00172418900 严禁用于非法目的 |
---|---|
绘制时间 | 2020.05.30 |
作者 | 王一宾、吴陈、程玉胜、江健生 |
绘制单位 | 安庆师范大学计算机与信息院、安徽省高校智能感知与计算重点实验室、安庆师范大学计算机与信息院、安庆师范大学计算机与信息院、安徽省高校智能感知与计算重点实验室、安庆师范大学计算机与信息院、安徽省高校智能感知与计算重点实验室 |
更多格式 | 高清、无水印(增值服务) |