基于属性加权的ML-KNN方法

摘要

提出了一种基于属性加权的ML-KNN方法。首先使用变精度邻域粗糙集识别来自每一个标记的决策类非正域中的样本，并构造异质样本对；然后基于属性对异质样本对的区分能力评估不同属性对于分类的重要度；最后计算样本之间的加权距离获得其近邻分布，且基于最大化后验概率的原则实现多标记分类。在10个公开的多标记数据集上的实验结果验证了所提方法的有效性。

关键词

多标记分类 / 属性重要度 / 邻域粗糙集 / 分类不确定性 / 异质样本对