Namesto tradicionalnih pristopov k večoznačnemu učenju, ki privzamejo neodvisnost med oznakami, so pri večoznačni klasifikaciji potrebni pristopi, ki znajo upoštevati tudi odvisnost in relacije med oznakami. Veliko metod te odvisnosti modelira med procesom učenja in jih integrira v napovedni model, brez jasnega razločevanja med učnim procesom in procesom modeliranja odvisnosti med oznakami. Zaradi tega relacije med oznakami niso vedno razvidne iz dobljenega modela in ne morejo biti uporabljene v drugih metodah učenja. V tem delu raziščemo uporabo hierarhij oznak, pridobljenih zgolj iz podatkov, pri večoznačni klasifikaciji. Iz množice oznak v učni množici sestavimo hierarhijo oznak s pomočjo hierarhičnega razvrščanja. Tako dobljene hierarhije oznak potem uporabimo v metodah za hierarhično večoznačno klasifikacijo (dvema lokalnima metodama, ki temeljita na metodah SVM in PCT, dvema globalnima metodama, prav tako z uporabo SVM in PCT, ter z ansambli le-teh). Rezultati eksperimentov kažejo, da lahko takšen pristop občutno izboljša napovedno zmogljivost pri uporabi samostojnih modelov, ne pa tudi pri uporabi ansambelskih metod.
COBISS.SI-ID: 29561127
V aplikacijah strojnega učenja se vse pogosteje srečujemo z nalogami večoznačne klasifikacije. Medtem, ko obstaja veliko metod za večciljno klasifikacijo, ki delujejo v klasičnem okviru strojnega učenja, ko imamo celotno podatkovno množico podano v naprej, obstaja le malo tovrstnih metod, ki delujejo na podatkovnih tokovih. Predlagali smo novo metodologijo za večoznačno klasifikacijo s pomočjo večciljne regresije na podatkovnih tokovih. Za ta namen smo uporabili metodo za večciljno regresijo iSOUP-Tree, ki deluje na podatkovnih tokovih. Eksperimentalno smo primerjali uspešnost dveh različic metode iSOUP-Tree (za učenje regresijskih in modelnih dreves) ter ansamblov dreves, ki uporabljajo metodo iSOUP-Tree za grajenje osnovnih modelov, z relevantnimi metodami iz literature. Ovrednotili smo primerjane metode na osnovi različnih mer za napovedovalne uspešnosti, ki so relevantne za nalogo večoznačne klasifikacije. Na osnovi rezultatov vrednotenja smo ugotovili, da so ansambli iSOUP-Tree dreves bolj uspešni kot ostale metode pri merah, ki temeljijo na pomembnosti označb, prav tako tudi niso slabši od ostalih metod pri vseh ostalih merah. Identificirali smo, da je problem določanja praga v nalogi večoznačne klasifikacije na podatkovnih tokovih ključen za pridobivanje boljših rezultatov v smislu napovedne uspešnosti.
COBISS.SI-ID: 30119463