《表2 不同层次多标签算法阈值选择》

  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

《一种基于增量式超网络的多标签分类方法》

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

本节主要根据上述评价指标对层次多标签分类和不平衡数据标签的分类进行实验并进行结果分析。HMC＿MLHN方法是利用传统的超网络对层次数据进行分类，由于输出结果不满足层次约束的限制条件，文献[23]对第3步方法进行了纠正，对传统的超网络进行层次约束。因为增量式超网络方法输出的是测试样本的置信度，而置信度由近邻超边的正负权重产生，如果标签预测出的置信度大于阈值t（本文设置为0.5），则表明近邻超边产生的正影响大于负影响，则增量式超网络分类器对该标签的预测值为1，反之为0。由于LMLP和clus＿HMC方法针对不同的阈值产生不同的实验结果，本文在对比试验中，采用步长以0.02为增量，从0到1的范围内，选取该方法最优F1值的实验结果进行对比，不同层次分类方法参数阈值的选择如表2所示。本文采用的增量式超网络方法的具体实验参数如表3。从实验结果可以看出，比较bp＿LMLP，rp＿LMLP以及clus＿HMC，clus＿HMC＿ens，HMC＿MLHN方法，增量式超网络方法具有较好的分类性能，并且对不平衡数据标签的分类性能也是比较好的。