基于拉普拉斯评分的多标记特征选择算法

摘要 针对传统的拉普拉斯评分特征选择算法只适应单标记学习，无法直接应用于多标记学习的问题，提出一种应用于多标记任务的拉普拉斯评分特征选择算法。首先，考虑样本在整体标记空间中共同关联和共同不关联的相关性，重新构建样本相似度矩阵；然后，将特征之间的相关性及冗余性判定引入拉普拉斯评分算法中，采用前向贪心搜索策略依次评价候选特征与已选特征的联合作用能力，用于评价特征的重要性；最后，在5个不同评价指标和6个多标记数据集上实验。实验结果表明：相比基于最大依赖的多标记维数约简方法（MDDM）、基于贝叶斯分类器的多标记特征选择算法（MLNB）及基于多元互信息的多标记分类特征选择算法（PMU），所提算法不仅分类性能最优，且存在显著性优异达65%