طبقه بندي چند برچسبي با روش الگوريتم k-نزديكترين همسايه تعميم يافته

طبقه بندي داده هاي چند برچسبي يك مساله يادگيري با نظارت مي باشد كه در آن هر نمونه مي تواند همزمان با چندين كلاس يا برچسب همراه شود و اين كلاس ها مختص يك نمونه خاص نمي باشند. طبقه بندي چند برچسبي كاربرد هاي زيادي در دنياي واقعي دارد از جمله اين كاربرد ها مي توان تقسيم بندي متن، بيوانفورماتيك، تفسير صحنه و فيلم و غيره را نام برد. روش هاي موجود عموماً فضاي يكسان ويژگي براي همه ي برچسب ها ايجاد مي كنند كه ممكن است با مسائل دنياي واقعي متناقض باشد. در اين مقاله، در الگوريتم يادگيري از روش k- نزديكترين همسايه تعميم يافته استفاده شده است و با فرض اينكه متا برچسب ها با ويژگي هاي خاص در طبقه بندي چند برچسبي وجود دارد را ايجاد كرديم. روش ما از نظر عملكرد طبقه بندي نسبت به روش طبقه بندي چند برچسبي با ويژگي هاي خاص متا برچسب كه يكي از بهترين روش هاي اخير است در سه ارزيابي متريك به ترتيب 0.076، 0.556 و0.028 نتايج بهتري بدست آورده است. آزمايشات روي مجموعه داده پزشكي چند برچسبي بنچ مارك، كارايي روش پيشنهادي در مقايسه با روش هاي اخير را نشان مي دهد.