The multi-label classification task has gained a lot of attention in the last decade thanks to its good application to many real-world problems where each object could be attached to several labels simultaneously. Several approaches based on ensembles for multi-label classification have been proposed in the literature; however, the vast majority are based on randomly selecting the different aspects that make the ensemble diverse and they do not consider the characteristics of the data to build it. In this paper we propose an evolutionary method called Evolutionary AlGorithm for multi-Label Ensemble opTimization, EAGLET, for the selection of simple, accurate and diverse multi-label classifiers to build an ensemble considering the characteristics of the data, such as the relationship among labels and the imbalance degree of the labels. In order to model the relationships among labels, each classifier of the ensemble is focused on a small subset of the label space, resulting in models with a relative low computational complexity and lower imbalance in the output space. The resulting ensemble is generated incrementally given the population of multi-label classifiers, so the member that best fits to the ensemble generated so far, considering both predictive performance and diversity, is selected. The experimental study comparing EAGLET with state-of-the-art methods in multi-label classification over a wide set of sixteen datasets and five evaluation measures, demonstrated that EAGLET significantly outperformed standard MLC methods and obtained better and more consistent results than state-of-the-art multi-label ensembles.

在过去的十年中，多标签分类任务得到了广泛的关注，这是由于它很好地应用于许多现实世界中的问题，在这些问题中每个对象可以同时附加到多个标签上。文献中已经提出了几种基于集合的多标签分类方法。然而，绝大多数是基于随机选择使整体多样化的不同方面，并且他们没有考虑构建数据的特征。在本文中，我们提出了一种用于多标签集合优化的进化方法，称为进化算法，EAGLET，用于选择简单，准确和多样的多标签分类器，以考虑数据特征（如标签之间的关系）构建整体以及标签的不平衡程度。为了对标签之间的关系进行建模，集合的每个分类器都将重点放在标签空间的一小部分上，从而使模型具有相对较低的计算复杂度和较低的输出空间不平衡性。给定多标签分类器的数量，生成的合奏将递增生成，因此，考虑预测性能和多样性，选择最适合到目前为止生成的合奏的成员。在广泛的16个数据集和5种评估指标上对EAGLET和最新技术进行多标签分类的实验研究表明，EAGLET明显优于标准MLC方法，并且比最新状态更好，更一致先进的多标签合奏。集成的每个分类器都集中在标签空间的一小部分上，从而导致模型具有较低的计算复杂度和较低的输出空间不平衡度。给定多标签分类器的数量，生成的合奏将递增生成，因此，考虑预测性能和多样性，选择最适合到目前为止生成的合奏的成员。在广泛的16个数据集和5种评估指标上对EAGLET和最新技术进行多标签分类的实验研究表明，EAGLET明显优于标准MLC方法，并且比最新状态更好，更一致先进的多标签合奏。集成的每个分类器都集中在标签空间的一小部分上，从而导致模型具有较低的计算复杂度和较低的输出空间不平衡度。给定多标签分类器的数量，生成的合奏将递增生成，因此，考虑预测性能和多样性，选择最适合到目前为止生成的合奏的成员。在广泛的16个数据集和5种评估指标上对EAGLET和最新技术进行多标签分类的实验研究表明，EAGLET明显优于标准MLC方法，并且比最新状态更好，更一致先进的多标签合奏。导致模型具有较低的计算复杂度和较低的输出空间不平衡度。给定多标签分类器的数量，生成的合奏将递增生成，因此，考虑预测性能和多样性，选择最适合到目前为止生成的合奏的成员。在广泛的16个数据集和5种评估指标上对EAGLET和最新技术进行多标签分类的实验研究表明，EAGLET明显优于标准MLC方法，并且比最新状态更好，更一致先进的多标签合奏。导致模型具有较低的计算复杂度和较低的输出空间不平衡度。给定多标签分类器的数量，生成的合奏将递增生成，因此，考虑预测性能和多样性，选择最适合到目前为止生成的合奏的成员。在广泛的16个数据集和5种评估指标上对EAGLET和最新技术进行多标签分类的实验研究表明，EAGLET明显优于标准MLC方法，并且比最新状态更好，更一致先进的多标签合奏。因此，考虑到预测性能和多样性，选择了最适合到目前为止生成的集合的成员。在广泛的16个数据集和5种评估指标上对EAGLET和最新技术进行多标签分类的实验研究表明，EAGLET明显优于标准MLC方法，并且比当前状态更胜一筹。先进的多标签合奏。因此，考虑到预测性能和多样性，选择了最适合到目前为止生成的集合的成员。在广泛的16个数据集和5种评估指标上对EAGLET和最新技术进行多标签分类的实验研究表明，EAGLET明显优于标准MLC方法，并且比最新状态更好，更一致先进的多标签合奏。