Resumen

La selección de características multietiqueta implica la selección de características relevantes de conjuntos de datos con múltiples etiquetas, lo que resulta en una mayor precisión en el aprendizaje multietiqueta. Los métodos de selección de características multietiqueta basados en la búsqueda evolutiva han demostrado ser útiles para identificar un subconjunto de características compacto al mejorar con éxito la precisión de la clasificación multietiqueta. Sin embargo, los métodos convencionales a menudo violan las restricciones de presupuesto o resultan en búsquedas ineficientes debido a la exploración ineficaz de características importantes. En este documento, presentamos un método efectivo de selección de características basado en la búsqueda evolutiva para la clasificación multietiqueta con una restricción de presupuesto. El método propuesto emplea una operación de exploración novedosa para mejorar las capacidades de búsqueda de una búsqueda genética tradicional, lo que resulta en una mejor clasificación multietiqueta. Estudios empíricos utilizando 20 conjuntos de datos del mundo real demuestran que el método propuesto supera a

• Materias:Big Data Restricciones distribuidas Algoritmo de inferencia Gestión administrativa
• Subjects:Big Data Distributed constraints Inference algorithm Administrative management
• Palabras claves:Selección; Multietiqueta; Característica; Búsqueda evolutiva; Clasificación; Precisión
• Keywords:Selection; Multilabel; Feature; Evolutionary search; Classification; Accuracy