《表5 emotion数据集的实验结果》

  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

《基于标签相关性的类属属性多标签分类算法》

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

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。