طبقه بندی چند برچسبی با روش الگوریتم k-نزدیکترین همسایه تعمیم یافته

طبقه بندی داده های چند برچسبی یک مساله یادگیری با نظارت می باشد که در آن هر نمونه می تواند همزمان با چندین کلاس یا برچسب همراه شود و این کلاس ها مختص یک نمونه خاص نمی باشند. طبقه بندی چند برچسبی کاربرد های زیادی در دنیای واقعی دارد از جمله این کاربرد ها می توان تقسیم بندی متن، بیوانفورماتیک، تفسیر صحنه و فیلم و غیره را نام برد. روش های موجود عموماً فضای یکسان ویژگی برای همه ی برچسب ها ایجاد می کنند که ممکن است با مسائل دنیای واقعی متناقض باشد. در این مقاله، در الگوریتم یادگیری از روش k- نزدیکترین همسایه تعمیم یافته استفاده شده است و با فرض اینکه متا برچسب ها با ویژگی های خاص در طبقه بندی چند برچسبی وجود دارد را ایجاد کردیم. روش ما از نظر عملکرد طبقه بندی نسبت به روش طبقه بندی چند برچسبی با ویژگی های خاص متا برچسب که یکی از بهترین روش های اخیر است در سه ارزیابی متریک به ترتیب 0.076، 0.556 و0.028 نتایج بهتری بدست آورده است. آزمایشات روی مجموعه داده پزشکی چند برچسبی بنچ مارک، کارایی روش پیشنهادی در مقایسه با روش های اخیر را نشان می دهد.