基于SVD与核极限学习机的多标记学习算法

摘要

数据降维可以有效保留数据中关键特征,提高数据的分类性能.基于此,引入奇异值分解(SVD)对数据进行维度约简,提出基于SVD与核极限学习机的多标记算法(MLDR-SK).首先采用SVD计算数据的奇异值,保留奇异值最大的前k个进行计算,得出属性约简后的样本数据.然后通过极限学习机进行特征映射,建立特征与标记的训练模型.最终根据已有模型对未知标记进行预测.与其他算法在多个公开数据集的实验表明,算法具有较好的实验效果,同时,基于不同评价指标的稳定性指数值进一步说明MLDR-SK算法具有良好的稳定性.