基于不一致邻域的批增量式属性约简

经典粗糙集仅能处理离散性数据,而邻域粗糙集通过运用距离函数解决了此局限性。基于此,提出一种信息观下批增量式属性约简算法。分析批量增加样本后新样本集下条件熵的变化机制,给出条件熵的计算公式;通过公式得出新加入样本的不一致邻域引起条件熵的变化,当新增样本加入到原样本集后,只需找到新增样本集的不一致邻域,与新增样本集一起进行约简,对原约简集进行冗余剔除,得到最终约简。该算法避免了有重复的约简,大大减少了计算量。将该算法应用到UCI数据集以及某单位的科技人才流动绩效评价指标体系中进行实验,实验结果验证了该算法的有效性和高效性。