模糊粗糙集的LIFT数据分析

摘要 在多标记学习中,因为不同的标记拥有与其自身紧密相关的特性,所以可以利用LIFT策略来处理多标记问题,其过程包含两个步骤:首先根据不同标记构建类属属性,然后在类属属性空间上进行分类.然而由于利用LIFT所构建的类属属性维度较高,会致使分类模型训练变慢或泛化能力不足.为解决这一问题,借助传统与稳健的模糊粗糙集模型,提出了对类属属性空间进行特征选择,并在此基础上利用模糊粗糙分类器进行多标记预测的模糊粗糙LIFT方法.实验结果表明,新算法不仅可以有效地降低类属属性空间维度,而且在压缩后的类属属性空间中,分类性能将有所提升