Clasificación de conjunto de subespacio aleatorio de etiquetas múltiples

Área de la Ciencia:

• Aprendizaje automático
• Ciencia de los datos
• Estadísticas computacionales

Sus antecedentes:

• La clasificación de etiquetas múltiples presenta desafíos para asignar etiquetas múltiples a las instancias de datos.
• Los métodos de conjunto existentes pueden no manejar de manera óptima los espacios de características de alta dimensión inherentes a los problemas de etiquetas múltiples.

Objetivo del estudio:

• Desarrollar un nuevo marco de aprendizaje de conjuntos, el conjunto de subespacios aleatorios multietiqueta (mRaSE), para mejorar la clasificación multietiqueta.
• Introducir extensiones iterativas y libres de modelos (Super mRaSE) para mejorar el rendimiento y la flexibilidad.
• Proporcionar un mecanismo de clasificación de características sin modelo compatible con varios clasificadores de base.

Principales métodos:

• mRaSE emplea muestreo de subespacio aleatorio, seleccionando subespacios óptimos basados en el error de validación cruzada.
• Los agregados del marco seleccionaron a los estudiantes débiles para formar un clasificador robusto de etiquetas múltiples.
• Se desarrolla un refinamiento iterativo y una extensión Super mRaSE que incorpora múltiples clasificadores de base.

Principales resultados:

• Los algoritmos mRaSE propuestos demuestran un rendimiento de predicción superior en comparación con los métodos de última generación como el bosque aleatorio y las redes neuronales profundas.
• Simulaciones extensas y aplicaciones de datos del mundo real validan la eficacia de mRaSE y Super mRaSE.
• Los algoritmos proporcionan una clasificación fiable de las características sin modelo.

Conclusiones:

• mRaSE ofrece un enfoque potente y flexible para la clasificación de etiquetas múltiples con una mayor precisión predictiva.
• Las extensiones desarrolladas, incluida Super mRaSE, mejoran aún más las capacidades para tareas complejas de múltiples etiquetas.
• El paquete R RaSEn proporciona una implementación accesible de estos algoritmos avanzados de aprendizaje conjunto.