Multilabel classification with neural network

Abstract

Multi-label classification has huge importance for several applications, it is also a challenging research topic. It is a kind of supervised learning that contains binary targets. The distance between multilabel and binary classification is having more than one class in multilabel classification problems. Features can belong to one class or many classes. There exists a wide range of applications for multi-label prediction such as image labeling, text categorization, gene functionality. Even though features are classified in many classes, they may not always be properly classified. There are many ensemble methods for classification. However, most of the researchers have been concerned about better multi-label methods. Especially little ones focus on both efficiency of classifiers and pairwise relationships at the same time to implement better multi-label classification. In this paper, we worked on modified ensemble methods by getting benefits from k-Nearest Neighbors and neural network structure sequentially to address issues beneficially and to get better impacts from the multi-label classification. Publicly available datasets (yeast, emotion, scene, and birds) are performed to demonstrate the developed algorithm efficiency, and the technique is measured. Our algorithm outperforms benchmarks for each dataset with different metrics. The result of the algorithm is competitive with the state-of-the-art results. Especially, in the weighted average of false-positive minimization and false-negative minimization, the algorithm passes the benchmarks.Çok etiketli sınıflandırma, birçok uygulama için büyük öneme sahiptir, aynı zamanda zorlu bir araştırma konusudur. İkili hedefler içeren bir tür denetimli öğrenmedir. Çok etiketli sınıflandırma problemlerinde çok etiketli ve ikili sınıflandırma arasındaki mesafe, birden fazla sınıfa sahip olmaktır. Özellikler bir sınıfa veya birçok sınıfa ait olabilir. Görüntü etiketleme, metin kategorizasyonu, gen işlevselliği gibi çok etiketli tahmin için geniş bir uygulama yelpazesi bulunmaktadır. Özellikler birçok sınıfta sınıflandırılmış olsa da, her zaman uygun şekilde sınıflandırılamayabilirler. Sınıflandırma için birçok topluluk yöntemi vardır. Bununla birlikte, araştırmacıların çoğu, daha iyi çoklu etiket yöntemleri konusunda endişe duymaktadır. Özellikle bazıları, daha iyi çok etiketli sınıflandırma uygulamak için hem sınıflandırıcıların verimliliğine hem de ikili bağlara aynı anda odaklanır. Bu çalışmada, sorunları yararlı bir şekilde ele almak ve çok etiketli sınıflandırmadan daha iyi etkiler elde etmek için k - En Yakın Komşu algoritmasından ve yapay sinir ağı yapısından sırayla yararlanarak değiştirilmiş topluluk yöntemleri üzerinde çalıştık. Farklı veri setleri üzerinde algoritmamızı uyguladık. Algoritmamız, farklı metriklere sahip her veri kümesi için kıyaslamalardan daha iyi performans gösterir. Algoritmanın sonucu, en gelişmiş sonuçlarla rekabet edebilir ölçüdedir ve doğruluk açısından rakiplerini geçen sonuçlar elde edilmiştir.