[发明专利]基于标签相关性的多标签AdaBoost集成方法

权利要求书

1.一种基于标签相关性的多标签AdaBoost集成方法，其特征在于：包括如下步骤：

步骤一、获取训练样本集X＝{(x₁,Y₁),...,(x_m,Y_m)}，x_i＝(x_i1,…x_id)∈R^d，表示样本空间有d个属性，Y_i是样本x_i的标签集，如果l∈Y_i，则Y(i,l)＝1,否则Y(i,l)＝-1；

步骤二、判断问题类型，若是多分类问题，则进入步骤四；若是多标签分类问题，则进入步骤三；

步骤三、采用余弦相似度来计算标签相关矩阵R和模糊标签矩阵

步骤四、初始化样本权重：w(i,l)＝1/(mK)，其中：m为样本个数，K为类别个数；

步骤五、基于样本权重w^t(i,l)训练第t个弱分类器h_t，t＝1,2,…T，T为待集成的弱分类器个数；

步骤六、判断问题类型，若是多分类问题，则进入步骤七；若是多标签分类问题，则进入步骤九；

步骤七、根据临时强分类器f_t对样本集X的分类结果计算标签相似矩阵S_t：

步骤八、对权值调整因子β_t赋值如下：如果h_t(x_i)＝l且S_t(y_i,l)＝1，则令β_t(i,l)＝c₂，否则β_t(i,l)＝c₁；然后进入步骤十；

步骤九、对权值调整因子β_t赋值如下：如果且h_t(x_i,l)>0则令β_t(i,l)＝c₂，否则β_t(i,l)＝c₁；然后进入步骤十；

步骤十、计算第t个弱分类器的权重α_t：u_t(x_i)＝Y_i(l)h_t(x_i,l)β_t(i,l)；

步骤十一、更新权重并归一化：w_t+1(i,l)＝w_t(i,l)exp(-α_tY_i(l)h_t(x_i,l)β_t(i,l))；

步骤十二、判断t是否小于迭代次数T：如果是，返回步骤五；如果否，进入步骤十三；

步骤十三、输出强分类器H(x)：

对于多分类问题，则输出

对于多标签分类问题，则输出

2.根据权利要求1所述的基于标签相关性的多标签AdaBoost集成方法，其特征在于：步骤三所述采用余弦相似度来计算标签相关矩阵R和模糊标签矩阵的方法如下：

S31、获得原始标签矩阵W＝(W(i,l))_m×K，其中，若l∈Y_i，则W(i,l)＝1，否则W(i,l)＝0；

S32、令计算标签相关矩阵R＝(R(l₁,l₂))_m×K，其中，如果R(l₁,l₂)>thresh1则表示标签l₁和l₂为相关标签，否则标签l₁和l₂无关；

S33、采用如下公式计算模糊标签矩阵：