The Random k labelsets (RAkEL) prop

The Random k labelsets (RAkEL) proposed by Tsoumakas et. al. [54] is an ensemble method that
iteratively constructs an ensemble of some (# of models desired, m) Label Powerset(LP) clasifiers.
At each iteration it randomly selects (without replacement) k-labelset and learns and LP classifier
and finally outputs all classifiers learnt. Notice, m and k are two important parameters, and the claim is that for small values of k and adequately large m, RAkEL is able to model label correlations
effectively. Notice, k = 1 and m = |L| would imply each time training an LP classifier and therefore a total number for L classifiers are trained, one for each class; this is Binary Relevance (BR). Similarly, k = L and m = 1 would turn it into a single global LP classifier.

Kết quả (Việt) 1:

Ngẫu nhiên k labelsets (RAkEL) được đề xuất bởi Tsoumakas et. Al. [54] là một phương pháp toàn bộ màlặp đi lặp lại xây dựng dàn của một số (# của mô hình mong muốn, m) nhãn Powerset(LP) clasifiers.Tại mỗi lặp đi lặp lại nó một cách ngẫu nhiên chọn (không có thay thế) k-labelset và học và LP loạivà cuối cùng kết quả đầu ra tất cả máy phân loại học được. Thông báo, m và k là hai tham số quan trọng, và yêu cầu bồi thường là giá trị nhỏ của k và m đầy đủ lớn, RAkEL có thể mô hình nhãn tương quancó hiệu quả. Thông báo, k = 1 và m = | L| sẽ ngụ ý mỗi khi đào tạo một loại LP và do đó là một tổng số cho máy phân loại L được đào tạo, một cho mỗi lớp; đây là nhị phân mức độ liên quan (BR). Tương tự như vậy, k = L và m = 1 sẽ biến nó thành một loại LP duy nhất toàn cầu.

Kết quả (Việt) 2:

Các k labelsets Random (Rakel) bởi Tsoumakas et đề xuất. al. [54] là một phương pháp quần mà
lặp đi lặp lại xây dựng một quần thể của một số (# của các mô hình mong muốn, m) Label Powerset (LP) clasifiers.
Tại mỗi lần lặp nó sẽ chọn ngẫu nhiên (không có thay thế) k-labelset và học và LP phân loại
và cuối cùng là kết quả đầu ra tất cả các phân loại học. Thông báo, m và k là hai thông số quan trọng, và yêu cầu bồi thường là đối với giá trị nhỏ của k và m đủ lớn, Rakel là thể mô hình tương quan nhãn
hiệu quả. Thông báo, k = 1 và m = | L | sẽ bao hàm mỗi thời gian đào tạo trình phân loại LP và do đó một số tổng cho L phân loại được đào tạo, một cho mỗi lớp; này là phù hợp Binary (BR). Tương tự như vậy, k = L và m = 1 sẽ biến nó thành một bộ phân loại LP duy nhất toàn cầu.