Resumen

En la actualidad, el aprendizaje multietiqueta está recibiendo una atención cada vez mayor por parte de diversos ámbitos y se han visto muchos algoritmos de aprendizaje. Del mismo modo, el aprendizaje multietiqueta también puede sufrir los problemas de la alta dimensionalidad, y se ha prestado poca atención a esta cuestión. En este trabajo, proponemos un nuevo conjunto de algoritmos de aprendizaje para datos multietiqueta. La principal característica de nuestro método es que explota las características con capacidades discriminatorias locales para cada etiqueta con el fin de servir al propósito de la clasificación. En concreto, para cada etiqueta, se estiman las capacidades discriminativas de las características en datos positivos y negativos y, a continuación, se obtienen las características con las capacidades más altas. Por último, se construye un clasificador binario para cada etiqueta a partir de las características principales. Los resultados experimentales sobre los conjuntos de datos de referencia muestran que el método propuesto supera a cuatro algoritmos de aprendizaje multietiqueta populares y publicados anteriormente.

• Materias:Análisis Matemático Álgebra Ingeniería Matemática aplicada Lógica matemática
• Subjects:Mathematical Analysis Algebra Engineering Applied Mathematics Mathematical logic
• Palabras claves:etiqueta, conjuntos de datos de referencia, capacidades discriminativas locales, muchos algoritmos de aprendizaje, algoritmos, características, método, multietiqueta, resultados experimentales, clasificador binario
• Keywords:label, benchmark data sets, local discriminative capabilities, many learning algorithms, algorithms, features, method, multilabel, experimental results, binary classifier