计算机应用

作者：张志浩, 林耀进, 卢舜, 郭晨, 王晨曦

单位：1. 闽南师范大学 计算机学院, 福建 漳州 363000;2. 数据科学与智能应用福建省高校重点实验室(闽南师范大学), 福建 漳州 363000

关键词：特征选择,类属属性,缺失标记,线性回归,多标记学习

基金：国家自然科学基金面上项目（62076116）；福建省自然科学基金面上项目（2020J01811）。

多标记特征选择已在图像分类、疾病诊断等领域得到广泛应用；然而，现实中数据的标记空间往往存在部分标记缺失的问题，这破坏了标记间的结构性和关联性，使得学习算法难以准确地选择重要特征。针对此问题，提出一种缺失标记下基于类属属性的多标记特征选择（MFSLML）算法。首先，通过利用稀疏学习方法获取每个类标记的类属属性；同时基于线性回归模型构建类属属性与标记的映射关系，以用于恢复缺失标记；最后，选取7组数据集以及4个评价指标进行实验。实验结果表明：相比基于最大依赖度和最小冗余度的多标记特征选择算法（MDMR）和基于特征交互的多标记特征选择算法（MFML）等一些先进的多标记特征选择算法，MFSLML在平均查准率指标上能够提升4.61~5.5个百分点，由此可见MFSLML具有更优的分类性能。

来源：2021年第10期

《计算机应用》期刊编辑部

查看计算机应用杂志2021年第10期