案例推理分类器属性权重的内省学习调整方法

针对案例推理(CBR)分类器中案例属性权重的分配问题,提出一种基于内省学习的属性权重迭代调整方法。该方法可根据CBR分类器对训练案例分类的结果调整属性的权重。基于成功驱动的权重学习策略,若当前训练案例分类成功,则首先根据权重调整公式增加匹配属性的权重并减少不匹配属性的权重;然后对所有权重进行归一化从而得到当次迭代的新权重。实验结果表明,所提方法的CBR分类器在UCI数据集PD、Heart和WDBC的准确率比传统CBR分类器分别提高1.72%、4.44%和1.05%。故成功驱动的内省学习权重调整方法可以提高权重分配的合理性,进而提高CBR分类器的准确率。