·934· 智能系统学报 第14卷 的5项分类性能随离散化参数增加变化较为平 --CSMLFSIE--MLFSIE -CSMLPA --MLPA --MLDM 缓，CSMLPA、MLPA和MLDM算法的5项分类 2.4r 性能随离散化参数增加变化较为显著，其中，变 2.2 化较显著的是MLPA算法，5项分类性能随离散 2.0 化参数k取值的增加变化趋势较明显。针对 CSMLPA算法，当k的取值在[5,10]这个区间 时，HL、OE、Coverage和RL的值随离散化参数k .6 5101520253035404550 的取值增加而增大，同时，AP的值随离散化参数 离散化参数k k的取值增加而减小，5项多标记性能指标的值变 图3覆盖率随着离散化参数增加的变化曲线 化较为明显。当k的取值在[40,50]区间时，HL、 Fig.3 Variation of coverage with increase in the discretiz- ation parameter OE、Coverage、RL和AP这5项多标记分类性能 指标的值变化较小。针对MLDM算法，当离散化 -CSMLFSIE--MLFSIE -CSMLPA -MLPA -MLDM 参数值从5变化至20时，HL、OE、Coverage和 0.28 0.26 RL的值呈上升趋势，AP的值呈下降趋势，降维后 0.24 的特征子集的分类性能变化较显著。当离散化参 数取值从25变化至35时，HL、OE、Coverage、 0.18 L和AP的5项性能指标的值变化较为平缓，由 0.16 此可知，降维后的特征子集的分类性能在这个区 0.14 5 101520253035404550 间的稳定性较强。另外，通过实验结果可知，当 离散化参数k 离散化参数k的值为25时，CSMLFSIE和MLF- 图4排序损失随着离散化参数增加的变化曲线 SIE算法所取得的特征子集的分类性能最优； Fig.4 Variation of ranking loss with increase in the dis- cretization parameter CSMLPA和MLDM算法在离散化参数k为5时， 其降维后的特征子集分类性能最优：当k=35时， --CSMLFSIE-4-MLFSIE -*CSMLPA --MLPA --MLDM MLPA算法得到的特征子集的分类性能最优。 0.85 -CSMLFSIE--MLFSIE -CSMLPA 0.80-- --MLPA --MLDM 0.30 0.75 0.70 0.25 0.65 5 101520253035404550 离散化参数k 0.15 图5平均精度随着离散化参数增加的变化曲线 5 101520253035404550 Fig.5 Variation of average precision with increase in the 离散化参数k discretization parameter 图1汉明损失随着离散化参数增加的变化曲线 综上所述，与其他4种算法相比，随离散化参 Fig.1 Variation of Hamming loss with increase in the dis cretization parameter 数增加，CSMLFSIE算法的5项分类性能变化最 为平缓，即离散化参数的变化对CSMLFSIE算法 -CSMLFSIE--MLFSIE -CSMLPA --MLPA --MLDM 影响最小，因此CSMLFSIE算法的稳定性和健壮 0.45 性更优。 0.40 5.3.2实验对比 年0.35 实验过程中将训练数据集和测试数据集相结 0.30 合，采用10倍交叉验证法来验证算法的有效性， 0.25 0.20 实验结果采用评价指标的平均值和标准差表示。 5101520253035404550 离散化参数k 另外，由于Mulan数据集自身并不含测试代价，因 此本文采用正态分布函数为每个特征生成测试代 图21错误率随着离散化参数增加的变化曲线 Fig.2 Variation of one error rate with increase in the dis- 价，其中，正态分布函数的取值以100为期望，以 cretization parameter 30为标准差。k k k k k k k k = 35 的 5 项分类性能随离散化参数增加变化较为平 缓，CSMLPA、MLPA 和 MLDM 算法的 5 项分类 性能随离散化参数增加变化较为显著，其中，变 化较显著的是 MLPA 算法，5 项分类性能随离散 化参数 取值的增加变化趋势较明显。针对 CSMLPA 算法，当 的取值在 [5，10] 这个区间 时，HL、OE、Coverage 和 RL 的值随离散化参数 的取值增加而增大，同时，AP 的值随离散化参数 的取值增加而减小，5 项多标记性能指标的值变 化较为明显。当 的取值在 [40，50] 区间时，HL、 OE、Coverage、RL 和 AP 这 5 项多标记分类性能 指标的值变化较小。针对 MLDM 算法，当离散化 参数值从 5 变化至 20 时，HL、OE、Coverage 和 RL 的值呈上升趋势，AP 的值呈下降趋势，降维后 的特征子集的分类性能变化较显著。当离散化参 数取值从 25 变化至 35 时 ，HL、OE、Coverage、 RL 和 AP 的 5 项性能指标的值变化较为平缓，由 此可知，降维后的特征子集的分类性能在这个区 间的稳定性较强。另外，通过实验结果可知，当 离散化参数 的值为 25 时，CSMLFSIE 和 MLF￾SIE 算法所取得的特征子集的分类性能最优； CSMLPA 和 MLDM 算法在离散化参数 为 5 时， 其降维后的特征子集分类性能最优；当 时， MLPA 算法得到的特征子集的分类性能最优。 5 0.15 0.20 0.25 0.30 10 15 20 25 30 35 40 45 50 离散化参数k 汉明损失 MLPA MLFSIE MLDM CSMLFSIE CSMLPA 图 1 汉明损失随着离散化参数增加的变化曲线 Fig. 1 Variation of Hamming loss with increase in the dis￾cretization parameter 5 0.20 0.25 0.30 0.35 0.45 0.40 10 15 20 25 30 35 40 45 50 离散化参数k 1错误率 MLPA MLFSIE MLDM CSMLFSIE CSMLPA 图 2 1 错误率随着离散化参数增加的变化曲线 Fig. 2 Variation of one error rate with increase in the dis￾cretization parameter 5 1.6 1.8 2.0 2.2 2.4 10 15 20 25 30 35 40 45 50 离散化参数k 覆盖率 MLPA MLFSIE MLDM CSMLFSIE CSMLPA 图 3 覆盖率随着离散化参数增加的变化曲线 Fig. 3 Variation of coverage with increase in the discretiz￾ation parameter 5 0.14 0.16 0.18 0.20 0.24 0.22 0.28 0.26 10 15 20 25 30 35 40 45 50 离散化参数k 排序损失 MLPA MLFSIE MLDM CSMLFSIE CSMLPA 图 4 排序损失随着离散化参数增加的变化曲线 Fig. 4 Variation of ranking loss with increase in the dis￾cretization parameter 5 0.65 0.75 0.70 0.85 0.80 10 15 20 25 30 35 40 45 50 离散化参数k 平均精度 MLPA MLFSIE MLDM CSMLFSIE CSMLPA 图 5 平均精度随着离散化参数增加的变化曲线 Fig. 5 Variation of average precision with increase in the discretization parameter 综上所述，与其他 4 种算法相比，随离散化参 数增加，CSMLFSIE 算法的 5 项分类性能变化最 为平缓，即离散化参数的变化对 CSMLFSIE 算法 影响最小，因此 CSMLFSIE 算法的稳定性和健壮 性更优。 5.3.2 实验对比 实验过程中将训练数据集和测试数据集相结 合，采用 10 倍交叉验证法来验证算法的有效性， 实验结果采用评价指标的平均值和标准差表示。 另外，由于 Mulan 数据集自身并不含测试代价，因 此本文采用正态分布函数为每个特征生成测试代 价，其中，正态分布函数的取值以 100 为期望，以 30 为标准差。 ·934· 智 能 系 统 学 报 第 14 卷