استفاده از ارتباطات بين برچسب‌ها در ايجاد زنجيره رده‌بندها براي بهبود رده‌بندي چندبرچسبي

To Use the Relationships between Class Labels in Creating Classifier Chains to Improve Multi-label Classification

در اين مقاله، با فرض وجود ارتباطات معنادار بين برچسب‌ها در مسائل چندبرچسبي، دو روش جديد براي بهبود روش پايه زنجيره رده‌بندها (CC) در رده‌بندي چندبرچسبي پيشنهاد شده است. در اين مقاله، براي اولين‌بار از قوانين انجمني براي تعيين ترتيب رده‌بندها در روش CC استفاده شده است. در روش‌هاي پيشنهادي اين مقاله، ابتدا از قوانين انجمني براي مدل‌سازي ارتباطات بين برچسب‌ها استفاده مي‌شود و سپس با استفاده از قوانين انجمني استخراج‌شده، يك گراف ارتباط ساخته مي‌شود و درنهايت، اين گراف مبناي تعيين ترتيب زنجيره رده‌بندها قرار مي‌گيرد. از آن‌جا كه در مسائل واقعي چندبرچسبي مانند رده‌بندي متون، تصاوير و كاربردهاي پزشكي ارتباطات معناداري بين برچسب‌ها وجود دارد، روش‌هاي پيشنهادي به بهبود رده‌بندي در اين حوزه‌ها منجر خواهد شد. آزمايش‌هاي تجربي گسترده انجام‌شده روي مجموعه داده‌هاي استاندارد و رايج در حوزه رده‌بندي چندبرچسبي نشان مي‌دهند، استفاده از ارتباطات بين برچسب‌ها در ساخت زنجيره رده‌بندها باعث بهبود معيارهاي مهم ارزيابي در رده‌بندي مبتني بر زنجيره رده‌بندها مي‌شود.

In this paper, we have supposed that there is meaningful relationships between the class labels in the multi-label classification problems and based on it, we have proposed two novel methods to improve the base classifier chains (CC) method for multilabel classification. In this paper, association rules are employed to determine the order of classifiers in the CC method for the first time. In the proposed methods, association rule mining is first employed to model the relationships between the class labels and then, an association graph is built based on the extracted rules and finally, the classifier chains is built based on the obtained graph. As there is meaningful relationships between the class labels in the real multi-label problems such as classifying the images and texts and medical applications, the proposed methods will improve the classification results in such contexts. Extensive experimental evaluations conducted on the benchmark datasets in the multi-label classification context show that to use the associations between the labels in constructing the classifier chains improves the results obtained by the main evaluation measures.