基于标签相关性的k近邻多标签分类方法

？针对k近邻多标签(ml-knn)分类算法中未考虑标签相关性的问题,提出了一种基于标签相关性的k近邻多标签分类(cml-knn)算法。首先,计算出标签集合中每对标签间的条件概率;其次,对于即将被预测的标签,将其与已经预测的标签间的条件概率进行排序,求出最大值;最后,将最大值跟对应标签值相乘同时结合最大化后验概率(map)来构造多标签分类模型,对新标签进行预测。实验结果表明,所提算法在emotions数据集上的分类性能均优于ml-knn、adaboostmh、rakel、bpmll这4种算法;在yeast、enron数据集上仅在1~2个评价指标上低于ml-knn与rakel算法。由实验分析可知,该算法取得了较好的分类效果。