Sinir ağları çoklu etiket sınıflandırma problemlerine nasıl uygulanır?

Açıklama:

Her biri 1 veya daha fazla sınıfa ait bir dizi özellik vektörü olduğunda sorunlu alan adı belge sınıflandırması olsun. Örneğin, bir belge ve kategorilere doc_1ait olabilir .SportsEnglish

Soru:

Sınıflandırma için sinir ağı kullanmak, etiket bir özellik vektörü için ne olurdu? ilgili olmayan sınıflara 0, ilgili sınıflara 1 değer verilecek şekilde tüm sınıflardan oluşan bir vektör olur mu? Sınıf etiketlerinin listesi [Sports, News, Action, English, Japanese]öyleyse, belge doc_1için etiket olur [1, 0, 0, 1, 0]mu?

Evet, çoklu etiket öğreniminde etiket bilgileri genellikle tanımladığınız ikili vektör olarak kodlanır. Değerlendirme için de daha kolaydır.

Çoklu etiket öğrenimi için açık kaynaklı bir Java kütüphanesi olan MULAN'ı kontrol etmek isteyebiliriz . Bir Weka uzantısıdır ve sinir ağları dahil olmak üzere birçok çoklu etiket sınıflandırıcısı uygulamıştır. Örneğin, BP-MLL'yi burada bulabilirsiniz .

Bu, aradığınız kağıt gibi görünüyor:

Min-Ling Zhang ve Zhi-Hua Zhou: Fonksiyonel Genomik ve Metin Sınıflandırma Uygulamaları ile Çok Etiketli Sinir Ağları

Özetden:

Çok etiketli öğrenmede, eğitim setindeki her örnek bir etiket kümesiyle ilişkilidir ve görev, her görünmeyen örnek için boyutu bilinmeyen bir etiket kümesi çıkarmaktır. Bu makalede, bu sorun BP-MLL adlı bir sinir ağı algoritmasının, yani Çoklu Etiket Öğrenimi için Geri Yayılımın önerildiği yol. ... Fonksiyonel genomik ve metin kategorizasyonu gibi iki gerçek dünya çoklu etiketli öğrenme problemine yapılan uygulamalar, BP-MLL'nin performansının bazı iyi kurulmuş çoklu etiketli öğrenme algoritmalarından daha üstün olduğunu göstermektedir.