LIFT是由张敏灵教授提出的多标签学习方法，旨在处理multi-label问题。它通过构造标签特定特征和分类模型进行学习。算法主要包括两个步骤：标签特定特征构建和分类模型诱导。在特征构建阶段，通过对训练样本的正负类划分和聚类，创建新特征。随后，使用这些特征与分类器（如SVM）配合进行分类。LIFT在实验中表现出优秀的多标签分类效果。
多标签学习：LIFT: Multi-Label Learning with Label-Specific Features
@(Machine Learning)
Intro
LIFT是张敏灵教授提出的多标签(multi-label)的学习方法。关于multi-label的介绍可以看我这篇博客，其中主要描述了multi-class、multi-label、multi-task的定义和区别。
本人根据论文总结了LIFT算法，并根据提供的matlab语言的code，完成了LIFT算法的Python版本，主要用到了sklearn提供的api，以便我自己使用该算法。
论文原文、论文代码和我重写的Python版本的LIFT代码可以在文末的Source找到
Algorithm
论文给出的伪代码：
根据论文，LIFT可以分为两个步骤：
1. label-specific features construction
2. classification models induction
其中主要的是第一个步骤，构造标签间关系定义的
最低0.47元/天 解锁文章
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
