基于貝葉斯模型和馬爾可夫型多標(biāo)簽分類算法

　　針對(duì)二元關(guān)聯(lián)法（BR）未考慮標(biāo)簽之間相關(guān)性，容易造成分類器輸出在訓(xùn)練集中不存在或次數(shù)較少標(biāo)簽的不足，提出了基于貝葉斯模型的多標(biāo)簽分類算法（ MLBM）和馬爾可夫型多標(biāo)簽分類算法（MMLBM）。首先，建立仿真模型分析BR算法的不足，考慮到標(biāo)簽的取值應(yīng)由屬性置信度和標(biāo)簽置信度共同決定，提出MLBM。其中，通過傳統(tǒng)的分類算法計(jì)算獲得屬性置信度，以及通過訓(xùn)練集得到標(biāo)簽置信度。然后，考慮到MLBM在計(jì)算屬性置信度時(shí)必須考慮所有已分類的標(biāo)簽，分類器的性能容易受無(wú)關(guān)或弱關(guān)系的標(biāo)簽影響，所以使用馬爾可夫模型簡(jiǎn)化置信度的計(jì)算提出了MMLBM。理論分析和仿真實(shí)驗(yàn)表明，與BR算法相比，MMLBM的平均分類精度在emotions數(shù)據(jù)集上提高約4. 8%，在yeast數(shù)據(jù)集上提高約9.8%，在flags數(shù)據(jù)集上提高約7.3%。實(shí)驗(yàn)結(jié)果表明，當(dāng)數(shù)據(jù)集中實(shí)例的標(biāo)簽基數(shù)較大時(shí)，相對(duì)于BR算法，MMLBM的準(zhǔn)確性有較大的提升。