融合K-means聚类和标记相关性的多标记Relief特征选择
丰昌武
孙林
天津科技大学人工智能学院，天津300457
摘要：现有Relief算法在利用标记相关性方面存在不足，忽视了局部标记相关性所提供的宝贵信息。针对这一问题，提出了一种融合K-means聚类与标记相关性的多标记Relief特征选择方法。首先，为充分考虑样本标记相关性，采用K-means聚类算法对样本进行聚类，将其划分到不同的簇中，从而构建样本的局部标记空间。其次，定义了所有样本在特征上的欧式距离，以此衡量样本的全局标记相关性。同时，改进了传统的余弦相似度，使用L1范数的平方根进行优化，并在局部标记空间中应用改进的余弦相似度，以有效获取样本的局部标记相关性。最后，在Relief算法的基拙上，融合了样本的全局标记相关性与局部标记相关性，以此作为衡量样本相似度的依据，进而判别最近邻同类样本与最近邻异类样本，最终获得特征权重。为评估所提算法的性能，在10个多标记数据集上进行了对比测试，实验结果证明，与其他多标记特征选择算法相比，本算法具有显著优势。
关键词：多标记学习特征选择K-means聚类标记相关性Relief算法
分类号：TP18(自动化基础理论)
资助基金：国家自然科学基金(61772176)
论文发表日期：2025-02-27
在线出版日期：2026-08-28（本平台首次上网日期，不代表文献的发表时间）
页数：13( 122-134 )
英文信息