基于贝叶斯模型和马尔可夫型多标签分类算法

　　针对二元关联法（BR）未考虑标签之间相关性，容易造成分类器输出在训练集中不存在或次数较少标签的不足，提出了基于贝叶斯模型的多标签分类算法（ MLBM）和马尔可夫型多标签分类算法（MMLBM）。首先，建立仿真模型分析BR算法的不足，考虑到标签的取值应由属性置信度和标签置信度共同决定，提出MLBM。其中，通过传统的分类算法计算获得属性置信度，以及通过训练集得到标签置信度。然后，考虑到MLBM在计算属性置信度时必须考虑所有已分类的标签，分类器的性能容易受无关或弱关系的标签影响，所以使用马尔可夫模型简化置信度的计算提出了MMLBM。理论分析和仿真实验表明，与BR算法相比，MMLBM的平均分类精度在emotions数据集上提高约4. 8%，在yeast数据集上提高约9.8%，在flags数据集上提高约7.3%。实验结果表明，当数据集中实例的标签基数较大时，相对于BR算法，MMLBM的准确性有较大的提升。