RNTI

MODULAD
Sélection d'une méthode de classification multi-label pour un système interactif
In EGC 2014, vol. RNTI-E-26, pp.305-310
Abstract
L'objectif de cet article est d'évaluer la capacité de 12 algorithmes de classification multi-label à apprendre, en peu de temps, avec peu d'exemples d'apprentissage. Les résultats expérimentaux montrent des différences importantes entre les méthodes analysées, pour les 3 mesures d'évaluation choisies: Log-Loss, Ranking-Loss et Temps d'apprentissage/prédiction, et les meilleurs résultats sont obtenus avec: multi-label k Nearest neighbours (ML-kNN), suivi de Ensemble de Classifier Chains (ECC) et Ensemble de Binary Relevance (EBR).