作者：王莉莉; 付忠良心脏病瓣膜疾病多标签分类模糊分类adaboost算法标签相关性隶属函数
摘要：针对心脏瓣膜疾病模糊分类问题,提出基于多标签Ada Boost的模糊分类改进算法。结合模糊集理论,采用隶属函数将疾病的严重程度映射到区间[0,1]内的实数值,将超声诊断结果用模糊标签向量表示。利用余弦相似性分析疾病之间的复杂关系,计算标签相关性矩阵并对模糊标签向量进行补充。结合实际问题选取合适的阈值,将标签空间划分为标签集、标签相关集和标签无关集。本文算法以最小化排序损失为目标,针对不同的标签给予不同的权值调整因子,调整样本权重更新速度,强迫弱分类器关注与样本标签相关性较高的标签。在临床超声心动图(TTE)测量数据集上的实验结果表明:在对超声诊断结果模糊化时,通过隶属函数将疾病严重程度中的“无病”映射为0,“轻度”映射到区间[0.8,0.85],“中度”映射到区间[0.85,0.9],“重度”映射到区间[0.9,1],构造模糊标签矩阵,并通过标签相关性矩阵对其进行补充,此时所构造的分类器性能达到最优。将本文算法与Ada Boost.MLR算法、Ada Boost.MR算法、BPMLL算法、Rank SVM算法和ML-KNN算法进行对比分析,在多标签分类的5种评价指标上,本文算法的分类性能均优于其他对比算法,分类结果更接近超声诊断结果。
注：因版权方要求，不能公开全文，如需全文，请咨询杂志社
