一种基于朴素贝叶斯的校准标签排序方法

传统的校准标签排序算法(calibrated label ranking,CLR)利用成对标签关联进行转化来预测结果.该算法的校准是在二元关系算法(binary relevance,BR)基础上进行比较产生结果,其预测对BR产生结果具有一定的依赖性,因此该算法在预测某些数据集时具有一定的局限性.为了更好地区分标签的相关性和不相关性,提出了一种用于标签边界域的校准方法,对处于相关性标签和不相关性标签的边界部分采用贝叶斯概率进一步校正,从而提高边界域部分分类的准确性.基于朴素贝叶斯校准的标签排序方法(calibrated lable ranking method based on naive bayes,NBCLRM)与校准标签排序等7种传统的方法进行对比,实验结果表明,本文提出的算法不仅可以根据需求修改阈值ε和μ来调节预测结果,而且能够有效地提升传统多标签学习方法的性能.

基于多标签机器学习的环境适老化改造应用研究

针对环境适老化改造推荐方案中改造项具有先后顺序的情形,将校准标签排序与多标签k近邻算法相结合,提出适于适老化改造推荐的多标签学习算法。首先引入校准标签约束不相关项,文章将多标签排序问题进行转化为标签成对比较的多分类问题,然后利用ML-k NN进行多标签分类,最后重构标签对关系矩阵,取统计票数大于校准标签的标签项为相关标签并根据票数进行排序。通过实际老人数据集进行测试,与传统的成对比较排序法与校准标签法进行比较,结果表明校准标签排序与多标签k近邻算法相结合汉明损失更小,平均精度更高,且保持较低的错误率,更适合于适老化改造方案推荐。