💛前情提要💛
本文是传知代码平台中的相关前沿知识与技术的分享~
接下来我们即将进入一个全新的空间，对技术有一个全新的视角~
本文所涉及所有资源均在传知代码平台可获取
以下的内容一定会让你对AI 赋能时代有一个颠覆性的认识哦！！！
以下内容干货满满，跟上步伐吧~
📌导航小助手📌
💡本章重点
- 基于标签相关性的多标签学习
🍞一. 论文概述
帕金森病是一种使人虚弱的慢性神经系统疾病。传统中医（TCM）是一种诊断帕金森病的新方法，而用于诊断帕金森病的中医数据集是一个多标签数据集。考虑到帕金森病数据集中的症状（标签）之间总是存在相关性，可以通过利用标签相关性来促进多标签学习过程。目前的多标签分类方法主要尝试从标签对或标签链中挖掘相关性。
该文章提出了一种简单且高效的多标签分类框架，称为潜在狄利克雷分布多标签（LDAML），该框架旨在通过使用类别标签的主题模型来学习全局相关性。简而言之，研究人员试图通过主题模型在标签集上获得抽象的“主题”，从而能够挖掘标签之间的全局相关性。大量实验清楚地验证了所提出的方法是一个通用且有效的框架，能够提高大多数多标签算法的性能。基于该框架，研究人员在中医帕金森病数据集上取得了令人满意的实验结果，这可以为该领域的发展提供参考和帮助。
什么是多标签学习
- 多标签学习（Multi-Label Learning）是一种机器学习方法，用于处理具有多个标签的数据样本。与传统的单标签学习不同，每个数据点在多标签学习中可以同时属于一个或多个类别，而不仅仅是一个确定的标签。其目标是经过算法训练后输出一个分类模型，即学习一组从特征空间到标记空间的实值函数映射。
论文贡献
-
提出了一种通用且高效的多标签分类框架——Latent Dirichlet Allocation Multi-Label (LDAML)。该框架通过利用标签间的关联性进行多标签分类。
-
该框架可以应用于大多数当前的多标签分类方法，使其性能得到提升。通过使用LDAML框架，可以显著提升简单方法（如Binary Relevance, BR）的性能，甚至超过某些最新的方法，同时保持较低的时间成本。
-
提出的改进LDAML在某些特殊数据集（如帕金森数据集）上取得了最佳性能。特别是在帕金森数据集上，改进的LDAML框架实现了最优性能，达到了本文的最终目标。该方法能够在未来为医生提供指导和帮助。
🍞二. 算法流程
挖掘“主题“——提取标签相关性
与通过查找标签子集或标签链来利用相关性的传统方法不同，LDAML通过发现标签的抽象“主题”来利用相关性。假设为d维特征向量的输入空间，表示q类标号的输出空间。给定多标签训练集，其中为d维特征向量，为对应的标签集。我们可以将每个实例看作一个文档，每个标签看作文档中的一个单词。直观地说，一定有一些抽象的“主题”，期望特定的标签或多或少地出现在实例中，特别是在包含大量相关标签的多标签数据集中。
LDAML算法的主要流程分为两步：
-
（1）从训练集中挖掘标签主题
-
（2）计算主题的离散分布
从训练集中挖掘标签主题: 首先，我们将LDA引入到训练集d中，每个实例xi表示文档，每个标签表示第i个实例中的第j个标签。然后利用LDA模型生成过程计算实例-主题 θ 的概率分布矩阵，其中 表示第i个实例注入第j主题的概率。
主题的离散分布: 计算实例-主题分布矩阵后，得到每个实例属于每个主题的概率值。为了确定实例确切属于哪个主题，我们需要用离散值0/1来代替概率值。在这里我们使用的离散化方法如下所示：
训练 MT 模型——拟合{特征集, 主题集合}
在这里我们的训练集数据与测试集数据分布相似，因此我们可以假设测试数据集的主题概率分布与训练数据集相同。首先我们对训练集提取出具有标记相关性的k个主题(利用算法1)，然后我们使用多标签分类模型 MT 对训练集的特征-主题进行拟合，然后利用训练好的MT模型对未知标记集合的测试集特征数据生成含有标记相关性的k个主题（这里需要注意的是，MT 可以随便选取一个有效的多标签分类模型，文章的重点是利用标签相关性来提高各种多标签学习模型的效率）。
用标记相关性扩增数据集
我们将这k个主题加入训练集，从而构建出新的训练集——{训练特征集，训练集标签主题}。我们将这k个主题加入数据集，从而构建出新的训练集
再次训练拟合 M 模型——对真实帕金森病例进行筛查
最后，可以再次使用一种多标签学习模型M对扩增后的训练集D’进行拟合，进一步建立输入数据和输出空间的数据联系。然后对扩增后的测试集t’进行多标签分类，获得输入样本是否患有病症以及其他情况的预测结果。上述过程的整体框架流程图如算法2所示。
🍞三.实验结果
文章在四份数据集上用多种多标签学习分类模型分别加上LDAML算法与其原始模型的分类效果进行对比，实验结果如图所示：
以上实验结果表明，LDAML能够在性能和时间成本之间取得良好的平衡。目前的大多数方法都可以应用于LDAML。我们可以采用目前最先进的方法作为LDAML在原始基础上取得突破的基本方法（base model）。另一方面，唯一额外的时间代价是计算主题概率分布矩阵的小词空间。因此，LDAML的时间成本接近于其基础方法的时间成本。通过采用BR或CC等较弱的方法作为基本方法，可以在较低的时间成本下提高接近实际状态的性能。这些结果表明，LDAML是一个通用的框架，可以为具有标签相关性的多标签问题提供鲁棒且更优的解决方案。
🍞四.核心代码复现
#########################伪代码###########################
# 导入必要的库
Import libraries
# 定义函数
Function discretize(theta):
# 初始化二进制矩阵 YT
Initialize YT as a zero matrix with the same shape as theta
For each row i in theta:
Find the maximum value in row i
For each column j in row i:
If the difference between the max value and theta[i][j] is less than 1/K:
Set YT[i][j] to 1
Else:
Set YT[i][j] to 0
Return YT
Function convert_to_one_hot(data):
# 获取唯一值和类别数
Find unique values in data
Initialize one_hot_encoded as a zero matrix
For each value in data:
Find the index of the value in unique values
Set the corresponding position in one_hot_encoded to 1
Return one_hot_encoded
Function lda(labels, n):
# 进行潜在狄利克雷分配（LDA）
Initialize LDA model with n components
Fit and transform labels using LDA model
Discretize the transformed data
Return the discretized data
Function metric_cal(test, pred):
# 计算并打印评估指标
Calculate accuracy, precision, recall, F1 score, and AUC
Print the calculated metrics
# 主程序
If __name__ == "__main__":
# 加载数据
Load data from Excel file
# 定义标签列和特征
Define label_cols and features
Convert features and labels to NumPy arrays
# 设置主题数
Set n to 6
# 对标签进行LDA
Call lda function to get Y_T
# 将特征与离散化的标签组合
Concatenate features and Y_T to get XYT
# 划分训练集和测试集
Split XYT and labels into X_train, X_test, y_train, y_test
# 初始化多标签分类器
Initialize MT_classifier as RankSVM
# 从训练集和测试集中提取主题
Extract yt_train and yt_test from X_train and X_test
Remove last n columns from X_train and X_test
# 训练多标签分类器
Fit MT_classifier using X_train and yt_train
# 预测测试集的主题
Predict yt_proba and yt_pred using MT_classifier on X_test
Convert yt_pred to integer
# 使用预测的主题扩展训练集和测试集
Concatenate X_train with yt_train to get X_train_aug
Concatenate X_test with yt_pred to get X_test_aug
# 初始化并训练二进制相关性分类器
Initialize base_classifier as MLPClassifier
Initialize clf as BinaryRelevance with base_classifier
Fit clf using X_train_aug and y_train
# 预测测试集的标签
Predict y_pred and y_score using clf on X_test_aug
# 计算评估指标
Calculate hamming loss, ranking loss, coverage error, and average precision
Print calculated metrics
# 对每个标签计算并打印评估指标
For each label i:
Extract test and pred for label i
Call metric_cal function to calculate and print metrics
Print separator
Print final separator
在主文件main.py中我复现了LDAML算法的整个流程，并实现了从输入数据到输出评价指标的全过程，在这里默认采用的多标签学习分类起 MT 和 M 是RankSVM和二元回归+深度学习。
# 定义LIFTClassifier类，继承自BaseEstimator和ClassifierMixin
class LIFTClassifier(BaseEstimator, ClassifierMixin):
# 初始化函数，接受一个基本分类器作为参数
def __init__(self, base_classifier=DecisionTreeClassifier()):
设置base_classifier为传入的参数
初始化classifiers字典
# 训练模型函数
def fit(self, X, y):
获取标签数量
遍历每个标签
对每个标签训练一个分类器
将训练好的分类器存入classifiers字典
返回self
# 预测函数
def predict(self, X):
获取标签数量
初始化预测结果矩阵
遍历每个标签
使用对应的分类器进行预测
将预测结果存入预测结果矩阵
返回预测结果矩阵
# 预测概率函数
def predict_proba(self, X):
获取标签数量
初始化概率预测结果矩阵
遍历每个标签
使用对应的分类器进行概率预测
将预测概率结果存入概率预测结果矩阵
返回概率预测结果矩阵
# 定义MLkNN类
class MLkNN:
# 初始化函数，接受一个k值作为参数
def __init__(self, k=3):
设置k值
初始化k近邻模型
# 训练模型函数
def fit(self, X, y):
保存训练数据X和y
使用X训练k近邻模型
# 预测函数
def predict(self, X):
获取样本数量
初始化预测结果矩阵
遍历每个样本
获取样本的k+1个最近邻
排除样本自身
计算邻居标签的和
根据标签和判断最终预测结果
返回预测结果矩阵
# 预测概率函数
def predict_proba(self, X):
获取样本数量
初始化概率预测结果矩阵
遍历每个样本
获取样本的k+1个最近邻
排除样本自身
计算每个标签的概率
返回概率预测结果矩阵
# 定义RankSVM类，继承自BaseEstimator和ClassifierMixin
class RankSVM(BaseEstimator, ClassifierMixin):
# 初始化函数，接受参数C, kernel, gamma
def __init__(self, C=1.0, kernel='rbf', gamma='scale'):
设置C, kernel, gamma值
初始化模型列表
初始化多标签二值化器
# 训练模型函数
def fit(self, X, y):
使用多标签二值化器转换y
获取标签数量
遍历每个标签
将当前标签转换为二值格式
使用SVM训练二值化后的标签
将训练好的SVM模型加入模型列表
# 预测函数
def predict(self, X):
初始化预测结果矩阵
遍历每个SVM模型
使用模型进行预测
将预测结果存入预测结果矩阵
返回预测结果矩阵
# 预测概率函数
def predict_proba(self, X):
初始化概率预测结果矩阵
遍历每个SVM模型
使用模型进行概率预测
将预测概率结果存入概率预测结果矩阵
返回概率预测结果矩阵
# 定义MultiLabelDecisionTree类
class MultiLabelDecisionTree:
# 初始化函数，接受参数max_depth, random_state
def __init__(self, max_depth=None, random_state=None):
设置max_depth, random_state值
初始化标签幂集转换器
初始化决策树分类器
# 训练模型函数
def fit(self, X, y):
使用标签幂集转换器转换y
使用转换后的y训练决策树分类器
# 预测概率函数
def predict_proba(self, X):
使用决策树分类器进行概率预测
将预测概率结果转换为原始标签格式
返回概率预测结果
# 预测函数
def predict(self, X):
使用决策树分类器进行预测
将预测结果转换为原始标签格式
返回预测结果
# 定义MLP神经网络类，继承自nn.Module
class MLP(nn.Module):
# 初始化函数，接受输入大小、隐藏层大小和输出大小作为参数
def __init__(self, input_size, hidden_size, output_size):
调用父类的初始化函数
初始化全连接层1
初始化ReLU激活函数
初始化全连接层2
初始化Sigmoid激活函数
# 前向传播函数
def forward(self, x):
通过全连接层1
通过ReLU激活函数
通过全连接层2
通过Sigmoid激活函数
返回输出
# 定义BPMLL类，继承自BaseEstimator和ClassifierMixin
class BPMLL(BaseEstimator, ClassifierMixin):
# 初始化函数，接受参数input_size, hidden_size, output_size, epochs, lr
def __init__(self, input_size, hidden_size, output_size, epochs=10, lr=0.0001):
设置输入大小、隐藏层大小、输出大小、训练轮数、学习率
初始化MLP模型
初始化优化器
初始化损失函数
# 训练模型函数
def fit(self, X_train, X_val, y_train, y_val):
将训练数据和验证数据转换为张量
创建训练数据集和数据加载器
遍历每个训练轮次
设置模型为训练模式
遍历训练数据加载器
清零梯度
前向传播
计算损失
反向传播
更新参数
设置模型为评估模式
计算验证损失并打印
# 预测概率函数
def predict_proba(self, X):
设置模型为评估模式
禁用梯度计算
进行前向传播
返回预测概率结果
# 预测函数
def predict(self, X, threshold=0.5):
获取预测概率结果
根据阈值判断最终预测结果
返回预测结果
# 定义RandomKLabelsetsClassifier类，继承自BaseEstimator和ClassifierMixin
class RandomKLabelsetsClassifier(BaseEstimator, ClassifierMixin):
# 初始化函数，接受参数base_classifier, labelset_size, model_count
def __init__(self, base_classifier=None, labelset_size=3, model_count=10):
设置基本分类器、标签集大小、模型数量
初始化RakelD模型
# 训练模型函数
def fit(self, X, y):
使用RakelD模型训练数据
返回self
# 预测函数
def predict(self, X):
使用RakelD模型进行预测
返回预测结果
# 预测概率函数
def predict_proba(self, X):
使用RakelD模型进行概率预测
返回概率预测结果
同时在文件multi_label_learning.py中定义了多种不同的多标签学习分类模型，大家可以自行调用相应的函数来进行实验以验证LDAML算法的有效性，使用方法我会在本文对应的视频中进行讲解。
🍞五.未来可能的改进方向
这一部分是笔者通过思考感觉可以在目前LDAML的基础上进行改进的方面，也就是我想给大家介绍的LSA算法。
潜在语义分析（Latent Semantic Analysis，LSA）是一种用于分析大规模文本数据的统计方法，旨在发现文本中的潜在语义结构并提取其语义信息。LSA假设文本中存在一些潜在的语义结构，即使在词语表达方式不同的情况下，这些结构也会保持一定的稳定性。其基本思想是将文本数据表示为一个矩阵，其中行代表文档，列代表词语，而矩阵中的元素则可以是词频、TF-IDF权重等。接下来，通过奇异值分解（Singular Value Decomposition，SVD）将这个矩阵分解为三个矩阵的乘积： 其中，A是原始文本矩阵，U是文档-概念矩阵，Σ是奇异值矩阵，是词语-概念矩阵的转置。LSA通过保留最重要的奇异值及其对应的左右奇异向量，将文本数据的维度降低到一个更小的空间，从而发现潜在的语义结构，并提取出文本数据的语义信息。
LSA在面对大规模文本数据时，能够有效地提取出其中的潜在语义信息。并且，LSA能发现文本数据中的主题结构并提取出其中的主题信息。受此启发，我们使用LSA对膝骨关节炎标记集合中的十个标记进行相关性计算并提取主题，从而获得标记集合中的高阶信息。相比之下，LSA比LDA更加灵活和简单。LDA对于大规模数据的处理速度较慢，因为它需要对每个词项和主题进行迭代推断，对主题分布和词项分布的先验参数进行设定，而LSA只需进行奇异值分解，不需要对先验参数进行设置，因此更容易实现和调试。LSA在语义上也更为易懂。LDA通过抽样方法从文档中抽取主题，它的主题在语义上可能难以解释，LSA通过奇异值分解从标签数据中提取主题，可以更直观地解释这些主题的含义，更好地反映标签之间的语义关系。
接下来是不是有可能将LSA融入到目前的框架中，或者直接基于LSA开发一种标记相关性提取的算法都是可以尝试的方向，可以留给大家一起去学习探索！
🫓总结
综上，我们基本了解了“一项全新的技术啦” 🍭 ~~
恭喜你的内功又双叒叕得到了提高！！！
感谢你们的阅读😆
后续还会继续更新💓，欢迎持续关注📌哟~
💫如果有错误❌，欢迎指正呀💫
✨如果觉得收获满满，可以点点赞👍支持一下哟~✨
【传知科技 – 了解更多新知识】
