协调多尺度决策系统中基于测试代价的属性与尺度选择

对多尺度决策系统进行处理可以使复杂的问题简单化,属性与尺度的同步选择是该处理过程中一个重要方法.此外,现实中数据处理经常需要考虑代价因素的影响,但是,目前研究还没有在属性与尺度的同步选择中考虑代价因素.为了解决这一问题,文中基于测试代价,研究协调多尺度决策系统的属性与尺度选择.首先,构造相应的粗糙集理论模型,模型中的定义及性质同时考虑属性和尺度这两个要素,并给出基于测试代价的属性-尺度重要度函数.然后,基于适用于多尺度决策系统的粗糙集概念及性质,提出属性与尺度同步选择的启发式算法.在UCI数据集上的实验表明,文中算法可大幅降低总测试代价,提升计算效率.

多尺度决策系统中测试代价敏感的属性与尺度同步选择

属性与尺度同步选择方法可有效解决涉及代价因素的多尺度决策系统的知识约简问题,然而在现有研究中,少有基于代价进行属性与尺度的同步选择,并且大多数算法只针对协调的多尺度决策系统或不协调的多尺度决策系统.为了解决这一问题,文中以最小化数据处理的总测试代价为目标,提出测试代价敏感的属性与尺度同步选择算法,同时适用于协调的多尺度决策系统和不协调的多尺度决策系统.首先,构造基于粗糙集的理论模型,模型中的概念及性质同时考虑属性因素和尺度因素.其次,基于粗糙集的理论模型,设计启发式算法,能基于测试代价对多尺度决策系统同时进行属性约简与尺度选择,并且不同的属性可选择不同的尺度.最后,在12个数据集上的实验验证文中算法的有效性、实用性及优越性.