Cómo aplicar las redes neuronales en la multi-etiqueta de clasificación de los problemas?

Question

Descripción:

Deje que el dominio del problema en ser el documento de clasificación en donde existe un conjunto de característica de vectores, cada una perteneciente a 1 o más clases. Por ejemplo, un documento doc_1 podrían pertenecer a Sports y English categorías.

Pregunta:

El uso de redes neuronales para la clasificación, ¿qué sería de la etiqueta para una función vectorial? sería un vector de la constitución de todas las clases tales que 0 se da valor a no relevante clases y 1 para las clases? Así que si las etiquetas de clase' lista [Sports, News, Action, English, Japanese], luego de documento doc_1 la etiqueta sería [1, 0, 0, 1, 0] ?

Answer 1

Este parece ser el papel que usted está buscando:

Min-Ling Zhang y Zhi-Zhou Hua: Multi-Etiqueta de Redes Neuronales con las Aplicaciones La Genómica funcional y la Categorización de Texto

Desde el resumen:

En multi-etiqueta de aprendizaje, cada instancia en el conjunto de entrenamiento es asociado con un conjunto de etiquetas, y la tarea es a la salida de un juego de etiquetas cuyo tamaño es desconocido a priori para cada invisible instancia.En este papel, este problema es abordado en la forma en que un algoritmo de red neuronal nombre BP-MLL, es decir, Retropropagación para Multi-Etiqueta de Aprendizaje, es propuesto. ... Aplicaciones para dos en el mundo real multi-etiqueta de problemas de aprendizaje, es decir, la genómica funcional y la categorización de texto, muestran que el rendimiento de BP-MLL es superior a la de algunos bien establecidos multi-etiqueta algoritmos de aprendizaje.

Answer 2

Sí, en varias etiquetas de aprendizaje de la información de la etiqueta es a menudo codificados como el binario vector que describe. También es más fácil así para la evaluación.

Nos puede chequear MULAN, una Java de código abierto de la biblioteca para multi-etiqueta de aprendizaje. Es un Weka extensión y ha implementado muchos multi-etiqueta de clasificadores, redes neuronales incluido. Por ejemplo, usted puede encontrar BP-MLL aquí.