基于K近邻多标签分类算法

　　针对K近邻多标签（ ML-KNN）分类算法中未考虑标签相关性的问题，提出了一种基于标签相关性的K近邻多标签分类（ CML-KNN）算法。首先，计算出标签集合中每对标签间的条件概率；其次，对于即将被预测的标签，将其与已经预测的标签间的条件概率进行排序，求出最大值；最后，将最大值跟对应标签值相乘同时结合最大化后验概率（MAP）来构造多标签分类模型，对新标签进行预测。实验结果表明，所提算法在Emotions数据集上的分类性能均优于ML-KNN、AdaboostMH、RAkEL、BPMLL这4种算法；在Yeast、Enron数据集上仅在1-2个评价指标上低于ML-KNN与RAkEL算法。由实验分析可知，该算法取得了较好的分类效果。