如何使用粗糙集进行数据流多标记分布特征的选择

　　针对传统特征选择算法无法处理流特征数据、冗余性计算复杂、对实例描述不够准确的问题，提出了基于粗糙集的数据流多标记分布特征选择算法。首先，将在线流特征选择框架引入多标记学习中；其次，用粗糙集中的依赖度替代原有的条件概率，仅仅利用数据自身的信息计算，使得数据流特征选择算法更加高效快捷；最后，由于在现实世界中，每个标记对实例的描述程度并不相同，为更加准确地描述实例，将传统的逻辑标记用标记分布的形式进行刻画。在多组数据集上的实验表明，所提算法能保留与标记空间有着较高相关性的特征，使得分类精度相较于未进行特征选择的有一定程度的提高。

　　多标记学习作为机器学习研究热点，对现实世界中多义性对象的研究具有重要意义。1 0，并且多标记学习对象在日常生活中广泛存在。在多标记学习框架之下，数据往往面临多标记性和高维性等多种问题，使得手工标记一般费时费力。同时随着数据维数的不断增加，分类器的分类精度也在不断下降，因此探究高效的分类算法就显得尤为重要。近年来，相关学者在此问题上的研究已经取得了卓越的成绩，提出了多种算法‘“副。在现有的多标记分类算法中，与实例相关的标记重要程度被视作相同，然而在现实世界中，不同昀标记对于同一个实例的描程度并不都是相同的。例如在一幅自然风景图中，如果出现大量的“蓝天”，那么出现大量“白云”的概率也就高，其他标记的可能性也就比较低，这种现象被称为标记的不平衡性。针对这种标记的不平衡性，Geng等‘61提出了一种标记分布学习（Label Distribution Learning，LDL）范式，将传统的逻辑标记用概率分布的形式来进行描述，更加准确地反映了实例的相关内容。目前也有很多学者在标记分布学习范式下对人年龄‘“引、人脸面部识别‘刚、文本情感分类‘101等领域进行研究。