The first idea is to have an extend

The first idea is to have an extended dataset with k (= |L|) additional features which are actually the
predictions of each binary classifier at the first round. The k new binary classifiers are trained on this extended dataset. In this way the extended BR takes into account potential label dependencies. The
second idea, ConfMat, based on a confusion matrix, removes negative training examples of a complete label if it is very similar to the positive label. The third idea is called BandSVM, removes very
similar negative examples that are within a threshold distance from the learned decision hyperplane,
and this helps building better models especially in the presence of overlapping classes.

Kết quả (Việt) 1:

Ý tưởng đầu tiên là phải có một bộ dữ liệu mở rộng với k (= | L|) tính năng bổ sung có thực sự cácdự đoán của mỗi nhị phân loại ở vòng đầu tiên. Máy phân loại nhị phân mới k được đào tạo vào số liệu này mở rộng. Bằng cách này BR mở rộng sẽ đưa vào tài khoản tiềm năng nhãn phụ thuộc. CácThứ hai ý tưởng, ConfMat, dựa trên một ma trận nhầm lẫn, loại bỏ tiêu cực đào tạo ví dụ của một nhãn hiệu đầy đủ nếu nó là rất tương tự như nhãn hiệu tích cực. Ý tưởng thứ 3 được gọi là BandSVM, loại bỏ rấtVí dụ tiêu cực tương tự trong một khoảng cách ngưỡng từ hyperplane học quyết định,và điều này sẽ giúp xây dựng các mô hình tốt hơn đặc biệt là sự hiện diện của các lớp học chồng chéo.

Kết quả (Việt) 2:

Ý tưởng đầu tiên là phải có một bộ dữ liệu mở rộng với k (= | L |) thêm tính năng mà thực sự là những
dự đoán của mỗi phân lớp nhị phân ở vòng đầu tiên. Các k phân loại nhị phân mới được đào tạo về dữ liệu mở rộng này. Bằng cách này, BR mở rộng sẽ đưa vào tài khoản phụ thuộc nhãn tiềm năng. Các
ý tưởng thứ hai, ConfMat, dựa trên một ma trận nhầm lẫn, loại bỏ các ví dụ huấn luyện tiêu cực của một nhãn đầy đủ nếu nó là rất tương tự với nhãn tích cực. Ý tưởng thứ ba được gọi BandSVM, loại bỏ rất
ví dụ tiêu cực tương tự đó là trong một khoảng cách ngưỡng từ các siêu phẳng quyết định học được,
và điều này giúp xây dựng mô hình tốt hơn đặc biệt là sự có mặt của các lớp chồng lên nhau.