典型文献
结合流形学习与逻辑回归的多标签特征选择
文献摘要：
对于多标签特征选择算法,通常假设数据与标签间呈现某种关系,以该关系为基础并通过正则项的约束可解决多标签特征选择问题,但该关系也可能是两种或多种关系的结合.为准确描述数据与标签间的关系并去除不相关的特征和冗余特征,基于logistic回归模型与标签流形结构提出多标签特征选择算法FSML.使用logistic回归模型的损失函数学习回归系数矩阵,利用标签流形结构学习数据特征的权重矩阵,通过L2,1-范数将系数矩阵和权重矩阵进行柔性结合,约束系数矩阵与权重矩阵的稀疏性并实现多标签特征选择.在经典多标签数据集上的实验结果表明,与CMLS、SCLS等特征选择算法相比,FSML算法在汉明损失、排名损失、1-错误率、覆盖率、平均精度等5个性能评价指标上表现良好,能更准确地描述数据与标签间的关系.
文献关键词：
多标签学习;特征选择;logistic回归;L2;1-范数;流形结构
中图分类号：
作者姓名：
张要;马盈仓;朱恒东;李恒;陈程
作者机构：
西安工程大学 理学院,西安 710600
文献出处：
引用格式：
[1]张要;马盈仓;朱恒东;李恒;陈程-.结合流形学习与逻辑回归的多标签特征选择)[J].计算机工程,2022(03):90-99,106
A类：
FSML,CMLS,SCLS
B类：
合流,流形学习,逻辑回归,特征选择算法,正则项,不相关,冗余特征,logistic,流形结构,损失函数,函数学习,回归系数,系数矩阵,结构学习,学习数据,数据特征,权重矩阵,L2,范数,矩阵和,稀疏性,标签数据集,汉明,错误率,性能评价指标,多标签学习
AB值：
0.294369
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
