Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Bücher
Zeitschriften
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
SLX-Digitalkonferenz: Zukunftswerkstatt 2024

Mehr Umsatz mit Top-Kontakten

Am 7. Mai erfahren Sie, wie Vertriebsteams Leadgenerierung, Leadnurturing und Leadstrategien effizient steuern können.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
Decision-Oriented Rough Set Methods Kapitel lesen Erstes Kapitel lesen

2015 | OriginalPaper | Buchkapitel

Fuzzy Rough Decision Trees for Multi-label Classification

verfasst von : Xiaoxue Wang, Shuang An, Hong Shi, Qinghua Hu

Erschienen in: Rough Sets, Fuzzy Sets, Data Mining, and Granular Computing

Verlag: Springer International Publishing

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

Multi-label classification exists widely in medical analysis or image annotation. Although there are some algorithms to train models for multi-label classification, few of them are able to extract comprehensible rules. In this paper, we propose a multi-label decision tree algorithm based on fuzzy rough sets, named ML-FRDT. This method can tackle with symbolic, continuous and fuzzy data. We conduct experiments on two multi-label datasets. And the experiment results show that ML-FRDT achieves good performance than some well-established multi-label classification algorithms.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Vorheriges Kapitel Modified Generalised Fuzzy Petri Nets for Rule-Based Systems
Nächstes Kapitel Axiomatic Characterizations of Reflexive and -Transitive -Intuitionistic Fuzzy Rough Approximation Operators
Literatur
1.
McCallum., A.: Multi-label text classification with a mixture model trained by EM. In: AAAI\({^{\prime }}\)99 Workshop on Text Learning, pp. 1–7 (1999)
2.
Lewis, D.D., Yang, Y., Rose, T.G., Li, F.: Rcv1: A new benchmark collection for text categorization research. J. Mach. Learn. Res. 5, 361–397 (2004)
3.
Gao, S., Wu, W., Lee C.H., et al.: A MFoM learning approach to robust multiclass multi-label text categorization. In: Proceedings of the Twenty-first International Conference on Machine Learning (ICML 2004), pp. 42. ACM (2004)
4.
Boutell, M.R., Luo, J., Shen, X., Brown, C.M.: Learning multi-label scene classification. Pattern Recogn. 37, 1757–1771 (2004)CrossRef
5.
Wu, F., Han, Y., Tian, Q., Zhuang, Y.: Multi-label boosting for image annotation by structural grouping sparsity. In: Proceedings of the International Conference on Multimedia (MM 2010), pp. 15–24. ACM (2010)
6.
Wang, Z., Hu, Y., Chia, L.T.: Multi-label learning by image-to-class distance for scene classification and image annotation. In: Proceedings of the ACM International Conference on Image and Video Retrieval (CIVR 2010), pp. 105–112. ACM (2010)
7.
Snoek, C.G., Worring, M., Van Gemert, J.C., Geusebroek, J.M., Smeulders, A.W.: The challenge problem for automated detection of 101 semantic concepts in multimedia. In: Proceedings of the 14th Annual ACM International Conference on Multimedia, pp. 421–430. ACM (2006)
8.
Sanden, C., Zhang, J.Z.: Enhancing multi-label music genre classification through ensemble techniques. In: Proceedings of the 34th International ACM SIGIR Conference on Research and Development in Information Retrieval (SIGIR 2011), pp. 705–714. ACM (2011)
9.
Zhang, M., Zhou, Z.: A review on multi-label learning algorithms. IEEE Trans. Knowl. Data Eng. 26, 1819–1837 (2013)CrossRef
10.
Clare, A.J., King, R.D.: Knowledge discovery in multi-label phenotype data. In: Siebes, A., De Raedt, L. (eds.) PKDD 2001. LNCS (LNAI), vol. 2168, pp. 42–53. Springer, Heidelberg (2001) CrossRefMATH
11.
Zhang, M.L., Zhou, Z.H.: ML-KNN: A lazy learning approach to multi-label learning. Pattern Recogn. 40, 2038–2048 (2007)CrossRefMATH
12.
Zhang, M.L.: ML-RBF: RBF neural networks for multi-label learning. Neural Process. Lett. 29, 61–74 (2009)CrossRef
13.
Dubois, D., Prade, H.: Rough fuzzy sets and fuzzy rough sets\({^{*}}\). Int. J. Gen. Syst. 17, 191–209 (1990)CrossRefMATH
14.
15.
An, S., Hu, Q.: Fuzzy rough decision trees. In: Yao, J.T., Yang, Y., Słowiński, R., Greco, S., Li, H., Mitra, S., Polkowski, L. (eds.) RSCTC 2012. LNCS, vol. 7413, pp. 397–404. Springer, Heidelberg (2012) CrossRef
16.
Zhang, L., Hu, Q., Duan, J., Wang, X.: Multi-label feature selection with fuzzy rough sets. In: Miao, D., Pedrycz, W., Slezak, D., Peters, G., Hu, Q., Wang, R. (eds.) RSKT 2014. LNCS, vol. 8818, pp. 121–128. Springer, Heidelberg (2014) CrossRef
17.
Quinlan, J.R.: C4. 5: Programs for Machine Learning. Elsevier, Burlington (1993)
18.
Godbole, S., Sarawagi, S.: Discriminative methods for multi-labeled classification. In: Dai, H., Srikant, R., Zhang, C. (eds.) PAKDD 2004. LNCS (LNAI), vol. 3056, pp. 22–30. Springer, Heidelberg (2004) CrossRef
19.
Correa, G.E., Plastino, A., Freitas, A.A.: A genetic algorithm for optimizing the label ordering in multi-label classifier chains. In: IEEE 25th International Conference on Tools with Artificial Intelligence (ICTAI) 2013, pp. 469–476. IEEE (2013)
20.
Briggs, F., Huang, Y., Raich, R., Eftaxias, K., Lei, Z., Cukierski, W., et al.: The 9th annual MLSP competition: new methods for acoustic classification of multiple simultaneous bird species in a noisy environment. In: IEEE International Workshop on Machine Learning for Signal Processing (MLSP) 2013, pp. 1–8. IEEE (2013)
Metadaten
Titel
Fuzzy Rough Decision Trees for Multi-label Classification
verfasst von
Xiaoxue Wang
Shuang An
Hong Shi
Qinghua Hu
Copyright-Jahr
2015
Buch
Rough Sets, Fuzzy Sets, Data Mining, and Granular Computing

Print ISBN: 978-3-319-25782-2

Electronic ISBN: 978-3-319-25783-9

Copyright-Jahr: 2015

DOI
https://doi.org/10.1007/978-3-319-25783-9_19