代价敏感属性中动态误分类代价下Bayes判别函数探究

最近几年来,误分类代价敏感粗糙集理论与方法已经取得不错的发展成果,其中最具有代表性的理论之一就是决策粗糙集理论,其中属性约简问题与规则生成问题就是基于决策粗糙集理论的基础上.然而,已有的代价敏感属性选择方法都使用的是固定的误分类代价.固定的误分类代价在任意数据集中各类的误分类代价均假定在可知的情况下存在一定的不足,因此提出代价敏感属性中动态误分类代价下的Bayes判别函数自适应逼近最优误分类代价是可行有效的方法.

代价敏感属性中动态误分类代价下的Fisher判别函数

目前权衡测试代价和误分类代价是代价敏感属性选择需解决的重点问题之一。但是,现下多数研究者只考虑了误分类代价是固定不变的情况,由于人为确定的误分类代价存在主观性等因素,因此解决现实问题就需要新的方法怎文设计了一种动态误分类代价下的Fisher函数,来自适应于总代价的变化。

动态误分类代价下代价敏感属性选择分治算法

代价敏感属性选择问题的目的是通过权衡测试代价和误分类代价,得到一个具有最小总代价的属性子集。目前,多数代价敏感属性选择方法只考虑误分类代价固定不变的情况,不能较好地解决类分布不均衡等问题。而在大规模数据集上,算法效率不理想也是代价敏感属性选择的主要问题之一。针对这些问题,以总代价最小为目标,设计了一种新的动态误分类代价机制。结合分治思想,根据数据集规模按列自适应拆分各数据集。基于动态误分类代价重新定义最小代价属性选择问题,提出了动态误分类代价下的代价敏感属性选择分治算法。通过实验表明,该算法能在提高效率的同时获得最优误分类代价,从而保证所得属性子集的总代价最小。

基于动态误分类代价下的代价敏感属性选择

当前代价敏感算法普遍采用静态的误分类代价,而静态的误分类代价局限性很强。这主要表现在:过度拟合、不能反映数据集真实的类分布特征。针对静态误分类代价的不足,本文首先提出一种动态误分类代价机制。该机制根据不同的测试代价自适应生成四种不同的动态误分类代价函数,并以最小总代价为目标。其次,我们在动态误分类下重新定义了最小总代价的属性选择问题。最后我们提出了一个模拟退火算法解决了该问题。实验结果证明,该设计方案可有效地选出最优误分类代价,以保证所选属性集合具有最小的平均总代价。