《表5 emotion数据集的实验结果》
从表3~6的结果可以看出,考虑标签相关性的类属属性多标签分类算法CLLIFT具有较为良好的分类效果。在scene和yeast数据集上,CLLIFT算法在五个评价指标上的实验结果相比于LIFT算法均有不同程度的提升,相比于其他几个对比算法,CLLIFT在五个评价指标的实验结果提升得更为明显。对于emotion数据集,除了ranking loss和coverage指标外,CLLIFT算法在其他三项评价指标上均优于对比算法。值得注意的是,相较于ECC和ML-KNN算法,emotion数据集上LIFT算法的五个评价指标结果并不理想,但改进算法CLLIFT通过引入标签相关性的方式能够有效地提升LIFT算法的分类效果,例如,对于ranking loss指标,LIFT算法的结果为0.245 6,远低于该指标下表现最好的ECC算法的指标值0.162 4,而CLLIFT算法的ranking loss指标值为0.179 3,虽然未优于ECC,但仍在LIFT算法的基础上取得了有效的提升,使得CLLIFT算法的ranking loss指标值趋向于ECC的实验结果。对于CAL500数据集,除了one-error和coverage指标,CLLIFT算法在余下三个指标上均优于其他对比算法。根据实验结果可知,CLLIFT算法在四个数据集上整体表现优异,仅在部分数据集的部分指标上相较于主流算法的实验结果表现较差,可能原因是CLLIFT算法所考虑的标签相关性为全局性的标签相关性,而由全局相关性所带来的冗余信息导致分类效果不理想。例如在CAL500数据集上,使用全局相关性的ECC算法在五个评价指标上表现都较差,同样地,CLLIFT算法在coverage指标上相较于原始LIFT算法的实验结果也有着一定程度的下降。
图表编号 | XD00222754700 严禁用于非法目的 |
---|---|
绘制时间 | 2020.09.05 |
作者 | 牟甲鹏、蔡剑、余孟池、徐建 |
绘制单位 | 南京理工大学计算机科学与工程学院、南京理工大学计算机科学与工程学院、南京理工大学计算机科学与工程学院、南京理工大学计算机科学与工程学院 |
更多格式 | 高清、无水印(增值服务) |