Detailed results of "Exploring the impact of label-level noise on multi-label k-Nearest Neighbor classification"

Detailed experimental results of the eight data assorments studied in the work: Corel5k, bibtex, birds, emotions, genbase, medical, scene, and yeast. Each collection is provided separately in a CSV file, containing with the following columns:

- noise: Policy used to induce noise in the assortment. The possible values are: DAAS, PUMN, add, add-sub, sub, and swap.
- percen: Percentage of the assortment that may be altered by the "noise" policy. The possible values are: 0, 10, 20, 30, 40, 50, and 60.
- prob: Probability of inducing noise in the dataset. The possible values are: 0, 0.1, 0.2, 0.3, 0.4, 0.5, and 0.6.
- PG_method: Prototype generation method used to reduce the size of the dataset. Possible values are: ALL, MChen, MRHC, MRSP1, MRSP2, and MRSP3.
- Reduction_parameter: Parameters of the Prototype generation method at hand. Possible values are: 1.0, 10.0, 30.0, 50.0, 70.0, and 90.0.
- Classifier: Multi-label learning model based on the k-Nearest Neighbor rule used. Possible values are: BRkNNaClassifier, LabelPowerset, and MLkNN.
- k: Number of neighbors considered by the classifier at hand. Possible values are: 1.0, 3.0, 5.0, 7.0, 11.0, 15.0, 21.0, and 30.0.
- HL: Figure of merit used to assess the classification performance of the scheme.
- Size: Resulting set size after the reduction process by the Prototype generation method.

本研究涉及的八组数据集（Corel5k、bibtex、birds、emotions、genbase、medical、scene及yeast）的详细实验结果。每组数据集均以独立的逗号分隔值（CSV）文件形式存储，文件包含以下列字段：
- 噪声策略（noise）：用于向数据集集合引入噪声的策略，可选取值为：DAAS、PUMN、add、add-sub、sub与swap。
- 百分比（percen）：可通过该“噪声”策略修改的数据集集合占比，可选取值为：0、10、20、30、40、50与60。
- 噪声引入概率（prob）：向数据集引入噪声的概率，可选取值为：0、0.1、0.2、0.3、0.4、0.5与0.6。
- 原型生成方法（PG_method）：用于缩减数据集规模的原型生成算法，可选取值为：ALL、MChen、MRHC、MRSP1、MRSP2及MRSP3。
- 缩减参数（Reduction_parameter）：当前所用原型生成方法的对应参数，可选取值为：1.0、10.0、30.0、50.0、70.0与90.0。
- 分类器（Classifier）：基于k近邻规则的多标签学习模型，可选取值为：BRkNNaClassifier、标签幂集（LabelPowerset）与多标签k近邻（MLkNN）。
- 近邻数（k）：当前分类器所考虑的近邻样本数量，可选取值为：1.0、3.0、5.0、7.0、11.0、15.0、21.0与30.0。
- 性能度量指标（HL）：用于评估该方案分类性能的评价指标。
- 集合规模（Size）：经原型生成方法执行缩减流程后得到的最终集合规模。