Busca avançada
Ano de início
Entree
(Referência obtida automaticamente do Web of Science, por meio da informação sobre o financiamento pela FAPESP e o número do processo correspondente, incluída na publicação pelos autores.)

Lazy Multi-label Learning Algorithms Based on Mutuality Strategies

Texto completo
Autor(es):
Cherman, Everton Alvares [1] ; Spolaor, Newton [1] ; Valverde-Rebaza, Jorge [1] ; Monard, Maria Carolina [1]
Número total de Autores: 4
Afiliação do(s) autor(es):
[1] Univ Sao Paulo, Inst Math & Comp Sci, Lab Computat Intelligence, BR-13560970 Sao Carlos, SP - Brazil
Número total de Afiliações: 1
Tipo de documento: Artigo Científico
Fonte: JOURNAL OF INTELLIGENT & ROBOTIC SYSTEMS; v. 80, n. 1, SI, p. S261-S276, DEC 2015.
Citações Web of Science: 5
Resumo

Lazy multi-label learning algorithms have become an important research topic within the multi-label community. These algorithms usually consider the set of standard k-Nearest Neighbors of a new instance to predict its labels (multi-label). The prediction is made by following a voting criteria within the multi-labels of the set of k-Nearest Neighbors of the new instance. This work proposes the use of two alternative strategies to identify the set of these examples: the Mutual and Not Mutual Nearest Neighbors rules, which have already been used by lazy single-learning algorithms. In this work, we use these strategies to extend the lazy multi-label algorithm BRkNN. An experimental evaluation carried out to compare both mutuality strategies with the original BRkNN algorithm and the well-known MLkNN lazy algorithm on 15 benchmark datasets showed that MLkNN presented the best predictive performance for the Hamming-Loss evaluation measure, although it was significantly outperformed by the mutuality strategies when F-Measure is considered. The best results of the lazy algorithms were also compared with the results obtained by the Binary Relevance approach using three different base learning algorithms. (AU)

Processo FAPESP: 11/22749-8 - Desafios em visualização exploratória de dados multidimensionais: novos paradigmas, escalabilidade e aplicações
Beneficiário:Luis Gustavo Nonato
Linha de fomento: Auxílio à Pesquisa - Temático
Processo FAPESP: 11/02393-4 - Seleção de atributos para aprendizado multirrótulo
Beneficiário:Newton Spolaôr
Linha de fomento: Bolsas no Brasil - Doutorado
Processo FAPESP: 10/15992-0 - Explorando a dependência de rótulos no aprendizado multirrótulo
Beneficiário:Everton Alvares Cherman
Linha de fomento: Bolsas no Brasil - Doutorado Direto
Processo FAPESP: 13/12191-5 - Mineração do comportamento de usuários em Redes Sociais Baseadas em Localização
Beneficiário:Jorge Carlos Valverde Rebaza
Linha de fomento: Bolsas no Brasil - Doutorado