基于聚类的多标记选择性集成

多标记学习和选择性集成是机器学习中的两个热点研究问题。本文利用聚类思想探究多标记学习中的选择性集成， 提出了两种具体的多标记选择性集成算法：基于最小距离的簇中心选择算法（Minimum distance based cluster center selection，MDCCS）和基于K-means的簇中心选择算法（K-means based cluster center selection， KMCCS）。在所提出的算法中，如何度量学习器之间的距离是其能否成功的关键因素。本文首先基于学习器的分类结果对其进行重新表示，在此基础上给出了学习器之间距离的计算方式。此外， 对于算法中的空簇问题给出了两种解决方法。基于Mulan数据库中的多标记数据集和5种评价指标对所提算法进行了详细的分析，实验结果表明了所提算法的有效性。